論文の概要: Quantum Geometric Tensor Preconditioning for Stable Training of Recurrent Neural Quantum States

• arxiv url: http://arxiv.org/abs/2608.18065v1
• Date: Tue, 18 Aug 2026 17:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.436304
• Title: Quantum Geometric Tensor Preconditioning for Stable Training of Recurrent Neural Quantum States
• Title（参考訳）: ニューラル量子状態の安定トレーニングのための量子幾何学的テンソルプレコンディショニング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.06554326244334865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Quantum States (NQS) provide a powerful neural network-based variational framework for representing many-body wave functions and solving for ground states. Recurrent Neural Networks (RNNs) are particularly promising owing to their relatively low computational cost and their autoregressive property, which enables perfect sampling. Recently, RNNs have been reported to be unstable under curvature-based optimizers such as the minimum-step stochastic reconfiguration (minSR) method. In this paper, we address this perceived limitation and show that minSR can be stabilized through simple regularization techniques, enabling robust training of RNN-based NQS with only a few samples. Our approach outperforms the Adam optimizer on the one-dimensional transverse-field Ising model and the one-dimensional cluster state, and provides competitive results on the two-dimensional Heisenberg and $J_1-J_2$ models. This work offers a promising pathway for using modern optimization techniques with autoregressive NQS to address open questions in quantum simulation.
• Abstract（参考訳）: 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により, 特に有望である。 近年、RNNは最小ステップ確率再構成(minSR)法のような曲率に基づく最適化の下で不安定であると報告されている。 本稿では,この制約に対処し,単純な正規化手法によりminSRを安定化できることを示し,少数のサンプルを用いてRNNベースのNQSの堅牢なトレーニングを可能にする。 提案手法は, 1次元横フィールドIsingモデルと1次元クラスタ状態においてAdamオプティマイザより優れており, 2次元ハイゼンベルクモデルと$J_1-J_2$モデルとの競合結果を提供する。 この研究は、量子シミュレーションにおけるオープンな問題に対処するために、自己回帰的NQSを用いた現代的な最適化手法を使用するための有望な経路を提供する。

関連論文リスト

• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• One More Time: Revisiting Neural Quantum States from a Reinforcement Learning Perspective [2.390638133661186]
  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。
  論文  参考訳（メタデータ） (2026-07-02T15:09:50Z)
• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• Parameter efficient hybrid spiking-quantum convolutional neural network with surrogate gradient and quantum data-reupload [0.20999222360659606]
  Spiking Quantum Neural Network(SQNN)は、スパイクニューラルネットワーク(SNN)と量子コンピューティングの原則を組み合わせたものだ。 SQDR-CNNは、単一のバックプロパゲーションフレームワーク内で畳み込みSNNと量子回路の共同トレーニングを可能にする。 我々は,SOTA SNNベースラインの平均最高性能精度の86%を達成しているが,最小スパイキングモデルのパラメータの0.5%しか使用していない。
  論文  参考訳（メタデータ） (2025-12-03T15:43:33Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Neural Importance Resampling: A Practical Sampling Strategy for Neural Quantum States [0.0]
  我々は、重要再サンプリングと個別に訓練された自己回帰的提案ネットワークを組み合わせた新しいサンプリングアルゴリズムであるNeural Importance Resampling(NIR)を紹介する。 我々は,NIRがマルチステートNQSを含む安定かつスケーラブルなトレーニングをサポートし,MCMCや自己回帰的アプローチが直面する問題を軽減できることを実証した。
  論文  参考訳（メタデータ） (2025-07-28T04:16:17Z)
• Adaptive Neural Quantum States: A Recurrent Neural Network Perspective [0.7234862895932991]
  ニューラルネットワーク量子状態(NQS)を最適化する適応スキームを示す。 NQSは、量子多体物理学を研究するための有望なツールとして登場した強力なニューラルネットワークアンゼである。
  論文  参考訳（メタデータ） (2025-07-24T18:00:03Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• Mitigating Barren Plateaus in Quantum Neural Networks via an AI-Driven Submartingale-Based Framework [3.0617189749929348]
  量子ニューラルネットワーク(QNN)におけるバレンプラトー(BP)の緩和を目的としたAdaInitを提案する。 AdaInitは、非無視的な勾配分散をもたらすQNNの初期パラメータを反復的に合成し、BPを緩和する。 AdaInit が様々な QNN スケールで高い勾配分散を維持するために既存の手法を一貫して上回っていることを実証的に検証する。
  論文  参考訳（メタデータ） (2025-02-17T05:57:15Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。