論文の概要: Direct/adaptive-mixture phase-gradient learning for neural-network quantum states with complex phase structure

• arxiv url: http://arxiv.org/abs/2606.13912v1
• Date: Thu, 11 Jun 2026 21:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.651836
• Title: Direct/adaptive-mixture phase-gradient learning for neural-network quantum states with complex phase structure
• Title（参考訳）: 複雑な位相構造を持つニューラルネット量子状態に対する直接/適応混合位相勾配学習
• Authors: Yi-Ran Xue, Rui Wang, Baigeng Wang, Chenan Wei,
• Abstract要約: 推定器の設計は、複雑な神経量子状態のための第一級レバーとして現れる。 我々は、この方法でトレーニングされた小さなネットワークが、標準ベースライン高原を1.8%の価格で調整した、0.89%の中央値エラーに達したことを示す。 直接推定器は再び標準値よりも著しく低い誤差に収束し、$$と size となる。
• 参考スコア（独自算出の注目度）: 3.1413021865737765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural-network quantum states (NQS) are a leading variational tool for quantum many-body physics, yet their optimization is fragile whenever the ground state carries a non-trivial sign or complex phase structure, a situation generic to gauge fields, broken time-reversal symmetry, and fermionic statistics. We trace this fragility to the stochastic estimator of the phase gradient rather than to network expressiveness. The phase sector of the Monte Carlo energy gradient is a noisy score-function estimator; differentiating the local energy instead yields a direct estimator that is unbiased for the same phase force, has far lower variance, and requires only a separated amplitude--phase ansatz. Demonstrated on a 100-site flux ladder, a small network trained this way reaches $0.89\%$ median error, where tuned standard baselines plateau at $1.8\%$ and wider or deeper standard-gradient networks degrade from $8.4\%$ to $24.6\%$. The advantage carries over to chiral XXX chains: the direct estimator again converges to a markedly lower error than the standard one, across $α$ and size; it grows with flux and vanishes in zero-flux controls. An adaptive-mixture of the two estimators is provably never worse in variance than the better endpoint at the optimal mixing coefficient, with seed-resolved diagnostics tracing much of the gain to eliminating failed runs. Estimator design thus emerges as a first-class lever for complex-valued neural quantum states.
• Abstract（参考訳）: ニューラルネットワーク量子状態(NQS)は、量子多体物理学の主要な変分ツールであるが、基底状態が非自明な符号または複雑な位相構造、ゲージ場に一般的な状況、時間反転対称性の破れ、フェルミオン統計を持つ場合、その最適化は脆弱である。 この脆弱性をネットワーク表現性よりも位相勾配の確率的推定器に遡る。 モンテカルロエネルギー勾配の位相セクターはノイズの多いスコア関数推定器であり、代わりに局所エネルギーを微分すると、同じ位相力に対して偏りがなく、より低い分散を持ち、振幅-位相アンザッツしか必要としない直接推定器が得られる。 100箇所のフラックスラグを実証し、この方法で訓練された小さなネットワークは、0.89\%の中央値エラーに達し、標準ベースライン高原を1.8\%$で調整し、より広いまたはより深い標準勾配ネットワークを8.4\%から2.4.6\%$で分解する。 直接推定器は再び標準値よりも著しく低い誤差に収束し、α$とサイズで成長し、ゼロ流束制御においてフラックスと消滅する。 2つの推定器の適応混合は、最適混合係数におけるより良い終点よりも明らかに悪くなることはない。 したがって、推定器の設計は、複雑な値を持つ神経量子状態のための第一級レバーとして現れる。

関連論文リスト

• Exact Law of Quantum Reversibility under Gaussian Pure Loss [2.0305676256390934]
  この原理の量子バージョンは、鋭い位相境界を持つ正確な法則に従うことを示す。 ガウスの純粋損失力学では、正確なコストはモード解決されたデータの標準集合に加算される。 これらの結果は、正準純粋損失設定において量子可逆性の正確な法則を確立する。
  論文  参考訳（メタデータ） (2026-03-19T15:24:06Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Risk-Entropic Flow Matching [0.0]
  対数指数変換をベース損失に適用することで得られる(エントロピー的な)リスクは、統計学や機械学習において確立されたツールである。 本研究では, 標準リスク感度変換(log-exponential)を条件FM損失に適用し, 結果の傾きリスク損失が有意な条件FM目標上の自然上界であることを示す。
  論文  参考訳（メタデータ） (2025-11-28T00:37:37Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• Phase Transitions in Open Dicke Model: a degenerate perturbation theory approach [0.0]
  オープンディックモデルの定常挙動について検討し,N$スピン-1/2$粒子と損失量子化キャビティモードの相互作用について述べる。 標準モデルは全スピンを保存するが、Kirton と Keeling は PhysRevLett.118.123602 を引用し、無限小の同質局所的退化でさえこの相転移を破壊することを示した。 固定全スピンの部分空間における摂動理論を用いて、この相互作用を分析し、$S$。
  論文  参考訳（メタデータ） (2025-05-19T04:33:30Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Enhanced nonlinear quantum metrology with weakly coupled solitons and particle losses [58.720142291102135]
  ハイゼンベルク(最大1/N)および超ハイゼンベルクスケーリングレベルにおける位相パラメータ推定のための干渉計測手法を提案する。 我々のセットアップの中心は、量子プローブを形成する新しいソリトンジョセフソン接合(SJJ)システムである。 このような状態は、適度な損失があっても最適な状態に近いことを示す。
  論文  参考訳（メタデータ） (2021-08-07T09:29:23Z)
• Normalization effects on shallow neural networks and related asymptotic expansions [20.48472873675696]
  特に、ニューラルネットワークの正規化に繋がる異なるスケーリングスキームが、ネットワークの統計的出力に与える影響について検討する。 我々は、隠れたユニットの数が無限に増加するにつれて、スケーリングパラメータに関して、ニューラルネットワークの統計的出力をポイントワイズに拡張する。 我々は,ニューラルネットワークの統計的出力のばらつきが,平均場正規化に近づくにつれて,$N$で先行する傾向を示す。
  論文  参考訳（メタデータ） (2020-11-20T16:33:28Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。