論文の概要: One More Time: Revisiting Neural Quantum States from a Reinforcement Learning Perspective

• arxiv url: http://arxiv.org/abs/2607.02292v1
• Date: Thu, 02 Jul 2026 15:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.882094
• Title: One More Time: Revisiting Neural Quantum States from a Reinforcement Learning Perspective
• Title（参考訳）: もう1つの時間:強化学習の観点からのニューラル量子状態の再検討
• Abstract要約: ニューラル量子状態(NQS)は、量子多体波動関数を近似するフレキシブルでスケーラブルなフレームワークを提供する。 変動エネルギーの最小化はボルン分布よりも有利な政策勾配問題と見なすことができる。 本稿では,振幅チャネルの確率比変化をクリップする信頼領域アルゴリズムであるPWOを紹介する。
• 参考スコア（独自算出の注目度）: 2.390638133661186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural quantum states (NQS) provide a flexible and scalable framework for approximating quantum many-body wavefunctions. Among NQS parameterizations, autoregressive models are especially attractive because they enable exact, independent sampling from the Born distribution, avoiding the autocorrelation and mixing issues of Markov chain methods. Yet their optimization remains comparatively underexplored: Adam is a scalable method but ignores function space geometry, while stochastic reconfiguration is principled but costly and numerically fragile in large models. To address this gap, we show that variational energy minimization can be viewed as an advantage policy-gradient problem over the Born distribution, motivating trust-region optimization for NQS training. We introduce Proximal Wavefunction Optimization (PWO), a principled trust-region algorithm that clips probability-ratio changes in the amplitude channel and phase increments in the phase channel. PWO avoids explicit matrix inversion, reuses samples across multiple updates, and combines the scalability of first-order optimization with theoretical guarantees. Across Ising and frustrated $J_1$-$J_2$ one- and two-dimensional spin systems, PWO improves stability and wall-clock convergence over Adam, minSR, and SPRING. Finally, we fine-tune a $1.5$B-parameter RWKV-7 model, demonstrating NQS optimization at a scale over three orders of magnitude beyond prior work.
• Abstract（参考訳）: ニューラル量子状態(NQS)は、量子多体波動関数を近似するフレキシブルでスケーラブルなフレームワークを提供する。 NQSパラメタライゼーションのうち、自己回帰モデルはボルン分布からの正確な独立サンプリングを可能にし、マルコフ連鎖法の自己相関と混合の問題を避けるため、特に魅力的である。 アダムはスケーラブルな手法であるが、関数空間の幾何学を無視するが、確率的再構成は原則だが、大きなモデルでは高価で数値的に脆弱である。 このギャップに対処するために、変動エネルギーの最小化は、NQSトレーニングにおける信頼領域最適化の動機となるボルン分布よりも有利な政策勾配問題と見なせることを示す。 本稿では、位相チャネルの振幅チャネルと位相インクリメントの確率比変化をクリップする信頼領域アルゴリズムであるPWOを紹介する。 PWOは明示的な行列の逆転を回避し、複数の更新にまたがるサンプルを再利用し、一階最適化のスケーラビリティと理論的保証を組み合わせる。 アイシングはJ_1$-$J_2$1-および2-次元スピン系にフラストレーションを与え、PWOはAdam, minSR, SPRingの安定性と壁面収束を改善する。 最後に、1.5ドルBパラメータRWKV-7モデルを微調整し、NQS最適化を3桁以上のスケールで実証する。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Quantum Geometric Tensor Preconditioning for Stable Training of Recurrent Neural Quantum States [0.06554326244334865]
  ニューラル量子状態(NQS)は、多体波動関数を表現し、基底状態を解決するための強力なニューラルネットワークベースの変分フレームワークを提供する。 リカレントニューラルネットワーク(RNN)は,比較的低い計算コストと自己回帰特性のために,特に有望である。 minSRは単純な正規化手法により安定化可能であることを示し、少数のサンプルでRNNベースのNQSの堅牢なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T17:54:08Z)
• Distribution-Aware Robust Bilevel Optimization: Quantile-Guided Huber Updates in Two-Timescale Stochastic Approximation [16.106678611834102]
  双レベル最適化(BLO)は階層的な決定には基本的だが、重み付き雑音下での臨界不安定性に悩まされている。 既存の技術は通常、等級チェックに依存しており、情報的幾何学的信号と外れ値の区別に失敗する。
  論文  参考訳（メタデータ） (2026-06-21T10:57:37Z)
• 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)
• Implicitly Restarted Lanczos Enables Chemically-Accurate Shallow Neural Quantum States [4.039934762896615]
  ニューラル量子状態(NQS)トレーニングのコアエンジンとして,暗黙的に再起動したLanczos法(IRL)を導入する。 我々の重要な革新は、本質的に安定な2階最適化フレームワークであり、不条件のパラメータ更新問題を小さく、よく設定されたHermitian固有値問題に再キャストする。 我々は、IRLにより、浅いNQSが3から5の最適化ステップで極度の精度(1e-12 kcal/mol)を連続的に達成できることを実証した。 F2分子の場合、これはアダムと比較して、全実行時の約17,900倍のスピードアップに変換される。
  論文  参考訳（メタデータ） (2026-01-04T08:49:24Z)
• Scalable Quantum Walk-Based Heuristics for the Minimum Vertex Cover Problem [0.0]
  連続時間量子ウォーク(CTQW)に基づく最小頂点被覆(MVC)問題に対する新しい量子アルゴリズムを提案する。 この枠組みでは、グラフ上の量子ウォーカーのコヒーレントな伝播は、その構造特性を状態振幅に符号化する。 我々は,CTQWに基づくアルゴリズムが優れた近似比を一貫して達成し,ネットワークトポロジに関して顕著な堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2025-12-02T17:04:57Z)
• Towards a Unified Analysis of Neural Networks in Nonparametric Instrumental Variable Regression: Optimization and Generalization [66.08522228989634]
  非パラメトリックインスツルメンタル変数回帰(NPIV)における2段階最小二乗法(2SLS)アプローチのためのニューラルネットワークの最初の大域収束結果を確立する。 これは平均場ランゲヴィンダイナミクス(MFLD)を通して持ち上げられた視点を採用することで達成される。
  論文  参考訳（メタデータ） (2025-11-18T17:51:17Z)
• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• Regularized second-order optimization of tensor-network Born machines [2.8834278113855896]
  ボルンマシン(英: Born Machine、TNBM)は、データ分布を学習するための量子インスパイアされた生成モデルである。 TNBMの鍵となるボトルネックは、この問題によく使用される損失関数の対数的性質である。 そこで本研究では,TNBMトレーニングにおける2次最適化手法を改良し,収束率と最適化モデルの品質を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-01-30T19:00:04Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
  モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。 本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
  論文  参考訳（メタデータ） (2023-08-17T08:34:58Z)
• Positive-Negative Momentum: Manipulating Stochastic Gradient Noise to Improve Generalization [89.7882166459412]
  勾配雑音(SGN)は、ディープラーニングの暗黙の正規化として機能する。 深層学習を改善するためにランダムノイズを注入してSGNを人工的にシミュレートしようとした作品もある。 低計算コストでSGNをシミュレーションし、学習率やバッチサイズを変更することなく、PNM(Positive-Negative Momentum)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-31T16:08:06Z)

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。