論文の概要: Performance Benchmarking: Software for the Density Matrix Renormalization Group
- arxiv url: http://arxiv.org/abs/2607.28369v1
- Date: Thu, 30 Jul 2026 15:30:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.625248
- Title: Performance Benchmarking: Software for the Density Matrix Renormalization Group
- Title（参考訳）: 性能ベンチマーク:密度行列再正規化グループのためのソフトウェア
- Authors: Per Sehlstedt, Paolo Bientinesi, Lars Karlsson,
- Abstract要約: 科学ソフトウェアの性能は、しばしば実際に解決できる問題の規模を決定する。
量子システムの研究に広く用いられている密度行列再正規化群 (DMRG) アルゴリズムには50以上のソフトウェア実装がある。
本稿では,DMRG実装の有意義な比較を容易にするために,パフォーマンス指向のベンチマークフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.2752817022620644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of scientific software often determines the scale of problems that can be solved in practice. As multiple implementations of the same algorithm emerge, systematic evaluation is needed to compare their strengths and limitations. The density matrix renormalization group (DMRG) algorithm, widely used to study quantum systems, has over 50 software implementations. These implementations vary in multiple aspects that can strongly affect performance. However, despite the need, performance evaluations of these implementations are scarce and lack a consistent standard; many existing evaluations are either too incomplete to enable meaningful comparisons or focus on objectives other than direct performance comparisons, thereby limiting understanding of how the implementations compare. Here, we present a performance-oriented benchmarking framework to facilitate meaningful comparisons of DMRG implementations, and we apply it to quantify the performance of eight implementations, highlighting similarities and differences among them. Furthermore, we examine multiple parameter settings, optimization strategies, and implementation-specific features to demonstrate how parameter configuration can affect performance and how systematic evaluation can reveal non-obvious trade-offs. The results show significant performance differences, up to two orders of magnitude in some cases, not only between different implementations when aligning parameters, but also within the same implementation when comparing different parameter configurations. Hence, our results demonstrate the significant value and insight that can be gained from conducting rigorous performance evaluations. Using our results and framework as a starting point, more rigorous benchmarking will ultimately help users and developers make informed decisions and support future development efforts to build better, more efficient software.
- Abstract（参考訳）: 科学ソフトウェアの性能は、しばしば実際に解決できる問題の規模を決定する。
同じアルゴリズムの複数の実装が出現するにつれて、その強みと限界を比較するために体系的な評価が必要である。
量子システムの研究に広く用いられている密度行列再正規化群 (DMRG) アルゴリズムには50以上のソフトウェア実装がある。
これらの実装は、パフォーマンスに強く影響を与える複数の側面で異なります。
しかし、これらの実装のパフォーマンス評価は不十分であり、一貫した標準が欠如している。多くの既存の評価は、意味のある比較を可能にするために不完全であるか、直接のパフォーマンス比較以外の目的に集中しているため、実装がどのように比較するかの理解が制限される。
本稿では,DMRG実装の有意義な比較を容易にする性能指向ベンチマークフレームワークを提案する。
さらに,複数のパラメータ設定,最適化戦略,実装固有の特徴について検討し,パラメータ設定が性能にどのように影響するか,また,体系的評価が非回避的トレードオフを明らかにするかを示す。
結果は、パラメータの整列時に異なる実装間だけでなく、異なるパラメータ構成を比較するときに同じ実装内で、最大2桁のパフォーマンスの違いを示す。
そこで本研究では,厳密な性能評価から得られる重要な価値と洞察を実証した。
結果とフレームワークを出発点として使うことで、より厳密なベンチマークが、最終的にはユーザや開発者の情報提供による意思決定を支援し、よりよい、より効率的なソフトウェアを構築するための将来の開発活動をサポートするでしょう。
関連論文リスト
- UniDial-EvalKit: A Unified Toolkit for Evaluating Multi-Faceted Conversational Abilities [70.79422099851506]
対話型AIシステム評価のための統合評価ツールキットUniDial-EvalKit(UDE)を提案する。
UDEは異種データフォーマットを普遍的なスキーマに標準化し、モジュールアーキテクチャを通じて複雑な評価パイプラインを合理化し、一貫したスコアリングインターフェースの下でメートル法計算を調整する。
論文 参考訳（メタデータ） (2026-03-24T13:01:31Z) - Fluid Language Model Benchmarking [126.92394365620525]
我々は,複数の次元にわたるLMベンチマークを進展させる新しい評価手法であるFluid Benchmarkingを紹介する。
サイコメトリックスにインスパイアされたFluid Benchmarkingは、ベンチマーク項目の相対値がLMの能力レベルに依存するという洞察に基づいている。
効率性,妥当性,分散性,飽和性の4つの次元を検証した結果,Fluid Benchmarkingがすべてにおいて優れた性能を発揮することがわかった。
論文 参考訳（メタデータ） (2025-09-14T05:49:42Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。
さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
論文 参考訳（メタデータ） (2024-01-31T14:02:26Z) - Analyzing the Impact of Undersampling on the Benchmarking and
Configuration of Evolutionary Algorithms [3.967483941966979]
限られたデータに基づいて意思決定を行う場合、注意が必要であることを示す。
統計的レースを用いてラン数を動的に調整しても,20%以上の性能損失の例を示す。
論文 参考訳（メタデータ） (2022-04-20T09:53:59Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - The Benchmark Lottery [114.43978017484893]
ベンチマーク宝くじ」は、機械学習ベンチマークプロセスの全体的な脆弱さを記述している。
アルゴリズムの相対的性能は、異なるベンチマークタスクを選択するだけで大幅に変化する可能性がある。
論文 参考訳（メタデータ） (2021-07-14T21:08:30Z) - On the Assessment of Benchmark Suites for Algorithm Comparison [7.501426386641256]
BBOBスイートのほとんどのベンチマーク関数は、高い難易度(最適化アルゴリズムと比較)と低い差別性を有することを示す。
我々は、ベンチマークスイートの設計を改善することを含む、ベンチマークにおけるIRTの潜在的な使用について論じる。
論文 参考訳（メタデータ） (2021-04-15T11:20:11Z) - IOHanalyzer: Detailed Performance Analyses for Iterative Optimization
Heuristics [3.967483941966979]
IOHanalyzerは、IOHのパフォーマンスデータを分析、比較、視覚化するための新しいユーザフレンドリーなツールである。
IOHanalyzerは、固定目標実行時間とベンチマークアルゴリズムの固定予算性能に関する詳細な統計を提供する。
IOHanalyzerは、主要なベンチマークプラットフォームから直接パフォーマンスデータを処理できる。
論文 参考訳（メタデータ） (2020-07-08T08:20:19Z)
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。