論文の概要: Diffusion-warm sampling of the XY model enables fast thermalization at scale

• arxiv url: http://arxiv.org/abs/2606.30773v1
• Date: Mon, 29 Jun 2026 18:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.962541
• Title: Diffusion-warm sampling of the XY model enables fast thermalization at scale
• Title（参考訳）: XYモデルの拡散ウォームサンプリングはスケールでの高速熱化を可能にする
• Abstract要約: 拡散モデルを用いた連続対称性を持つスピン系状態のスケーラブルサンプリング手法を提案する。 本手法はマルコフ連鎖モンテカルロの様々なシステムサイズへの一般化における欠点に対処するものである。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel technique for scalable sampling of spin-system states with continuous symmetries using diffusion models. By applying our approach to the XY model, a fundamental continuous-spin model in condensed matter physics, we show that our technique addresses the shortfalls of the Markov chain Monte Carlo (MCMC) in generalization to varying system sizes. More specifically, we show that training a temperature-conditioned diffusion model on smaller-size XY model lattices enables the generation of accurate samples in larger lattice sizes. By tracking physically important observables of the model, such as spin correlations, our experiments demonstrate that diffusion sampling followed by a few MCMC steps reduces the thermalization time by an order of magnitude relative to the standard MCMC with random initialization. Our study provides valuable insight as to how generative models can be used to study continuous-state condensed matter systems at scale.
• Abstract（参考訳）: 拡散モデルを用いた連続対称性を持つスピン系状態のスケーラブルサンプリング手法を提案する。 凝縮物質物理学の基本的な連続スピンモデルであるXYモデルに我々のアプローチを適用することで、マルコフ連鎖モンテカルロ(MCMC)の欠点に対処し、様々なシステムサイズに一般化できることが示される。 より具体的には、より小型のXYモデル格子上で温度条件拡散モデルのトレーニングを行うことで、より大きな格子サイズで正確なサンプルを生成することができることを示す。 スピン相関などのモデルの物理的に重要な観測値を追跡することにより,拡散サンプリングと数段のMCMCステップにより,ランダム初期化を伴う標準MCMCと比較して,熱化時間を大幅に短縮することを示した。 本研究は, 連続状態凝縮物質系を大規模に研究するために, 生成モデルをどのように利用できるかについて, 貴重な知見を提供する。

関連論文リスト

• Sampling the Schwinger Model with Gauge-Equivariant Diffusion [0.0]
  拡散に基づく$N_f = 2$格子シュウィンガーモデルの高速化サンプリングに関する最初の研究を示す。 我々はU(1)-同変スコアベース生成モデルを訓練し、境界シュウィンガーモデルからゲージリンク構成をサンプリングする。
  論文  参考訳（メタデータ） (2026-06-25T19:00:56Z)
• Toward Scalable Normalizing Flows for the Hubbard Model [0.6503514711058446]
  正規化フローは、最近、ハバードモデルのボルツマン分布を学習する能力を示した。 本研究では,このようなシミュレーションをより大きな格子サイズと低い温度まで拡張するために必要なステップについて検討する。 このフェルミオン系に対する正規化流れと非平衡マルコフ連鎖モンテカルロ法によるスケーリング挙動を示す。
  論文  参考訳（メタデータ） (2026-01-26T08:58:08Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Deep generative modelling of canonical ensemble with differentiable thermal properties [0.9421843976231371]
  標準アンサンブルの温度の異なる変分モデルを提案する。 深部生成モデルを用いて、連続した温度範囲で自由エネルギーを推定し、同時に最小化する。 トレーニングプロセスはデータセットを必要とせず、任意の明示的な密度生成モデルで動作する。
  論文  参考訳（メタデータ） (2024-04-29T03:41:49Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• MCMC-Correction of Score-Based Diffusion Models for Model Composition [2.682859657520006]
  拡散モデルは、スコアやエネルギー関数の観点からパラメータ化することができる。 スコア関数の行積分に基づく新しいMH型受入規則を導入する。
  論文  参考訳（メタデータ） (2023-07-26T07:50:41Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
  本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。 このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
  論文  参考訳（メタデータ） (2022-08-23T03:45:39Z)

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。