論文の概要: Vectorized Symmetric and Fermionic Tensor Network Implementations for GPU-Accelerated Variational Monte Carlo

• arxiv url: http://arxiv.org/abs/2608.27861v1
• Date: Fri, 28 Aug 2026 03:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.188476
• Title: Vectorized Symmetric and Fermionic Tensor Network Implementations for GPU-Accelerated Variational Monte Carlo
• Title（参考訳）: GPU加速変分モンテカルロのためのベクトル対称・フェルミオンテンソルネットワークの実装
• Abstract要約: テンソルネットワーク(TN)に基づくモンテカルロ変分計算は,最近競争精度が向上した。 TN-VMCアルゴリズムはGPUアクセラレーションを完全に活用できる方法では定式化されていない。 実際に関係のあるアーベル対称テンソルネットワークに対してベクトル化を実現する方法を示す。
• 参考スコア（独自算出の注目度）: 1.927845275055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational Monte Carlo (VMC) calculations based on tensor networks (TN) have recently achieved competitive accuracy in ground-state calculations of strongly correlated spin and fermionic systems. However, existing tensor network VMC (TN-VMC) algorithms have not been formulated in a manner that can fully utilize GPU acceleration. We tackle the key missing ingredient, namely, the vectorized evaluation of tensor network amplitudes and tensor network operations. This ensures high GPU utilization by batching over computations with identical structure. In particular, we show how to achieve vectorization for the practically relevant case of abelian symmetric tensor networks (which includes fermionic tensor networks) by developing a ``flat'' tensor network formalism for block-sparse tensor representation and contraction. Using this, we construct a GPU-adapted symmetric TN-VMC workflow with batched tensor network computation. In the two-dimensional Fermi--Hubbard model, we demonstrate a GPU speedup of up to $300 \times$ over single core CPU implementations, for fermionic TN variational wavefunctions.
• Abstract（参考訳）: テンソルネットワーク (TN) に基づく変分モンテカルロ (VMC) 計算は, 強相関スピンおよびフェルミオン系の基底状態計算において, 競争精度が向上した。 しかし、既存のテンソルネットワークVMC(TN-VMC)アルゴリズムはGPUアクセラレーションを完全に活用できる方法では定式化されていない。 我々は,テンソルネットワーク振幅とテンソルネットワーク演算のベクトル化評価という,重要な欠落成分に対処する。 これにより、同じ構造を持つ計算をバッチ処理することで、高いGPU利用が保証される。 特に、ブロックスパーステンソル表現と縮合のための '‘flat'' テンソルネットワーク形式を開発することにより、アーベル対称テンソルネットワーク(フェルミオンテンソルネットワークを含む)の実用的な場合のベクトル化を実現する方法を示す。 これを用いて、バッチテンソルネットワーク計算を用いたGPU適応対称TN-VMCワークフローを構築する。 2次元Fermi-Hubbardモデルでは、フェミオン性TN変動波動関数に対して、単一コアCPU実装上で最大300 \times$のGPU速度を実証する。

関連論文リスト

• Twirled Perfect Tensor Networks: Computationally covariant holographic tensor networks [0.17592522344393483]
  我々は Python の Lunch Conjecture (PLC) によって動機付けられたテンソルネットワークのクラスを定義する。 PLCは、関連するテンソルネットワークの微細構造について暗黙の仮定を行い、重力をモデル化し、それらが非ジェネリックであることを示す。 我々は、"twirled perfect tensor"と呼ばれるものから構築された別の種類のテンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T14:18:32Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• YASTN: Yet another symmetric tensor networks; A Python library for abelian symmetric tensor network calculations [0.0]
  量子多体シミュレーションのためのオープンソースのテンソルネットワークPythonライブラリを提案する。 中心となるのは、高密度多次元配列バックエンド上の論理層によって管理されるスパースブロック構造として実装されたアーベル対称テンソルである。 本稿では,ADによる基底状態の探索や,仮想時間進化によるハバードモデルの熱状態のシミュレーションなど,無限に投影された絡み合ったペア状態のシミュレーションにおいて,ライブラリのパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-05-20T17:32:16Z)
• Fermionic tensor network methods [0.0]
  等級ヒルベルト空間を用いて、任意のグラフ上のテンソルネットワークにフェルミオン統計学を自然に組み込む方法を示す。 この形式は、ジョルダン・ウィグナー変換や2次元テンソルネットワークにおけるゲート交換による脚交差の明示的な追跡を回避し、フェルミオン格子系に対するテンソルネットワーク手法を局所的に使用することができる。
  論文  参考訳（メタデータ） (2024-04-22T22:22:05Z)
• TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
  グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。 我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-10-30T09:35:56Z)
• Tensor Decomposition Based Attention Module for Spiking Neural Networks [18.924242014716647]
  我々は、線形に成長するパラメータで優れた結果を示すテキストプロジェクションフルアテンション(PFA)モジュールを設計する。 本手法は,静的ベンチマークと動的ベンチマークの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:49Z)
• TensorKrowch: Smooth integration of tensor networks in machine learning [46.0920431279359]
  PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。 ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
  論文  参考訳（メタデータ） (2023-06-14T15:55:19Z)
• Latent Matrices for Tensor Network Decomposition and to Tensor Completion [8.301418317685906]
  テンソルを小さく分解し,アルゴリズムの計算を高速化する新しい高階テンソル分解モデルを提案する。 LMTN-PAM, LMTN-SVD, LMTN-ARの3つの最適化アルゴリズムを開発し, テンソル補完タスクに適用した。 実験の結果, LMTN-SVDアルゴリズムはFCTN-PAMアルゴリズムの3～6倍高速であり, 1.8ポイントの精度低下しか得られなかった。
  論文  参考訳（メタデータ） (2022-10-07T08:19:50Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
  我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。 textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
  論文  参考訳（メタデータ） (2021-05-04T04:10:48Z)
• Tensor train decompositions on recurrent networks [60.334946204107446]
  マトリックス製品状態(MPS)テンソルトレインは、ストレージの削減と推論時の計算時間の観点から、MPOよりも魅力的な特徴を持つ。 理論解析により,MPSテンソル列車はLSTMネットワーク圧縮の最前線に置かれるべきであることを示す。
  論文  参考訳（メタデータ） (2020-06-09T18:25:39Z)

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。