Fugu-MT 論文翻訳(概要): Quantum Tensor Network Learning with DMRG

論文の概要: Quantum Tensor Network Learning with DMRG

arxiv url: http://arxiv.org/abs/2608.18901v1
Date: Wed, 19 Aug 2026 13:25:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.406493
Title: Quantum Tensor Network Learning with DMRG
Title（参考訳）: DMRGを用いた量子テンソルネットワーク学習
Abstract要約: ネットワークは比較的新しい機械学習アプローチである。一般的なレイアウトは行列積状態(MPS)であり、勾配降下法に最適化されたテンソルトレインとしても知られている。我々は、MPSが量子状態を表すように、グローバルな正規化条件を導入する。
参考スコア（独自算出の注目度）: 0.38233569758620045
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tensor Networks are a relatively new machine learning approach. The architectures proposed initially are inspired by approaches from quantum many-body physics simulations. One common layout is the matrix product state (MPS) also known as a tensor train optimized with gradient descent techniques. We introduce a global normalization condition, so that the MPS represents a quantum state. We investigate two optimization methods that find the locally optimal tensors and compare them regarding their effectiveness. One is based on gradient descent and the other on an adaptation of DMRG.
Abstract（参考訳）: Tensor Networksは比較的新しい機械学習アプローチである。当初提案されたアーキテクチャは、量子多体物理学シミュレーションのアプローチから着想を得たものである。一般的なレイアウトは行列積状態(MPS)であり、勾配降下法に最適化されたテンソルトレインとしても知られている。我々は、MPSが量子状態を表すように、グローバルな正規化条件を導入する。本稿では,局所最適テンソルを求める2つの最適化手法について検討し,その有効性について比較する。 1つは勾配降下、もう1つはDMRGの適応に基づく。

関連論文リスト

GP-FL: Model-Based Hessian Estimation for Second-Order Over-the-Air Federated Learning [52.295563400314094]
2次法は学習アルゴリズムの収束率を改善するために広く採用されている。本稿では,無線チャネルに適した新しい2次FLフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-05T04:27:41Z)
Quantum Circuit Optimization using Differentiable Programming of Tensor Network States [0.0]
このアルゴリズムは古典的なハードウェア上で動作し、浅い正確な量子回路を見つける。すべての回路は、適切なCPU時間と控えめなメモリ要求下で高い状態忠実性を達成する。
論文参考訳（メタデータ） (2024-08-22T17:48:53Z)
Scaling of contraction costs for entanglement renormalization algorithms including tensor Trotterization and variational Monte Carlo [0.0]
テンソルトロッタライゼーションやモンテカルロサンプリングが量子インスパイアされた古典的MERAアルゴリズムに繋がるかどうかを考察する。アルゴリズム位相図は、エネルギー精度のスケーリングと結合次元のトロッターステップの最適数に依存する最良のMERA法を示す。
論文参考訳（メタデータ） (2024-07-30T17:54:15Z)
A Matrix Product State Model for Simultaneous Classification and Generation [0.8192907805418583]
量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングの原理と機械学習の技法を融合させる、急速に拡大する分野である。本稿では,MPSモデルを提案する。MPSは分類器とジェネレータの両方として機能する。我々のコントリビューションは、生成タスクのためのテンソルネットワークメソッドのメカニズムに関する洞察を提供する。
論文参考訳（メタデータ） (2024-06-25T10:23:36Z)
Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
論文参考訳（メタデータ） (2023-07-28T12:26:43Z)
Investigating Quantum Many-Body Systems with Tensor Networks, Machine Learning and Quantum Computers [0.0]
古典的および量子コンピュータ上で量子シミュレーションを行う。未知の量子多体系の位相図を教師なし方式でマッピングする。
論文参考訳（メタデータ） (2022-10-20T09:46:25Z)
On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-06-30T05:29:52Z)
Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文参考訳（メタデータ） (2022-01-13T16:35:45Z)
Can we learn gradients by Hamiltonian Neural Networks? [68.8204255655161]
本稿では,勾配を学習するODEニューラルネットワークに基づくメタラーナを提案する。提案手法は,LLUアクティベーションを最適化したMLMとMNISTデータセットにおいて,LSTMに基づくメタラーナーよりも優れていることを示す。
論文参考訳（メタデータ） (2021-10-31T18:35:10Z)
Differentiable Programming of Isometric Tensor Networks [0.0]
微分プログラミングは、自動微分(auto-differentiation)として知られる勾配の自動計算による大規模最適化を可能にする新しいプログラミングパラダイムである。ここでは、多スケールエンタングルメント再正規化アンサッツ(MERA)やテンソルネットワーク再正規化(TNR)に応用した等尺制約のあるテンソルネットワークに微分可能プログラミングを拡張した。我々は1次元臨界量子イジングスピンチェーンと2次元古典イジングモデルを用いて数値解析を行った。古典的モデルの1次元量子モデルと内部エネルギーの基底状態エネルギーを計算し、スケーリング作用素のスケーリング次元を計算し、それらがすべて一致することを確かめる。
論文参考訳（メタデータ） (2021-10-08T05:29:41Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文参考訳（メタデータ） (2020-05-05T18:08:23Z)
Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文参考訳（メタデータ） (2020-04-20T18:12:56Z)
Optimal Gradient Quantization Condition for Communication-Efficient Distributed Training [99.42912552638168]
勾配の通信は、コンピュータビジョンアプリケーションで複数のデバイスでディープニューラルネットワークをトレーニングするのに費用がかかる。本研究は,textbfANY勾配分布に対する二値および多値勾配量子化の最適条件を導出する。最適条件に基づいて, 偏差BinGradと非偏差ORQの2値勾配量子化と多値勾配量子化の2つの新しい量子化手法を開発した。
論文参考訳（メタデータ） (2020-02-25T18:28:39Z)

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。