論文の概要: Competitive scaling of small-subsystem-optimization heuristics for LABS
- arxiv url: http://arxiv.org/abs/2610.14361v2
- Date: Wed, 14 Oct 2026 15:23:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.039169
- Title: Competitive scaling of small-subsystem-optimization heuristics for LABS
- Title（参考訳）: LABSのための小サブシステム最適化ヒューリスティックスの競合スケーリング
- Abstract要約: 我々はNスピンのグローバルシステムを直接最適化する頑丈なシステムと競合する時間とソリューションのスケーリングを示す。
この結果から,少数の論理スピンしか持たない特殊最適化ハードウェアは実用的妥当性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The low autocorrelation binary sequences (LABS) problem, often formulated as a spin-lattice energy-minimization problem, is a combinatorial optimization problem with a very rugged energy landscape. We demonstrate that iterative optimization of very small subsystems of n spins that are decoupled from the rest of the system achieves global optimization of LABS with a time-to-solution scaling that is competitive with heuristics that optimize the global system of N spins directly. Our isolated-subsystem heuristic with n = 4 achieves a time scaling of O(1.333^N ) on the interval N = [27, 60], while the current state-of-the-art classical and quantum scalings are respectively O(1.34^N ) and O(1.21^N ). Our results suggest that specialized optimization hardware with only small numbers of logical spins may be of practical relevance.
- Abstract（参考訳）: 低自己相関二項列問題(LABS)は、しばしばスピン格子エネルギー最小化問題として定式化され、非常に頑丈なエネルギーランドスケープを持つ組合せ最適化問題である。
我々は,Nスピンのグローバルシステムを直接最適化するヒューリスティックスと競合する時間-ソリューションスケーリングを用いて,システムの他の部分から切り離されたnスピンの非常に小さなサブシステムの反復的な最適化が,LABSのグローバルな最適化を実現することを示した。
n = 4 の孤立部分系ヒューリスティックは N = [27, 60] の間隔で O(1.333^N ) の時間スケーリングを達成するが、現在の最先端の古典的および量子的スケーリングは O(1.34^N ) と O(1.21^N ) である。
この結果から,少数の論理スピンしか持たない特殊最適化ハードウェアは実用的妥当性が示唆された。
関連論文リスト
- Fast PINN Eigensolvers via Biconvex Reformulation [6.071179266915627]
固有値問題は独特な前方逆構造を持ち、システムの熱応答、安定性、および自然モードを特徴づけるのに基本的である。
本稿では,そのような問題を解決するための改良されたPINN-ACS方式を提案する。
実験により、PINN-ACSはキャストベースの検索よりも500ドル高速で高い勾配に達することが示された。
論文 参考訳（メタデータ） (2025-11-02T04:04:54Z) - Iterative Interpolation Schedules for Quantum Approximate Optimization Algorithm [1.845978975395919]
本稿では,最適パラメータスケジュールの滑らかさを関数に基づいて表現することで,反復的手法を提案する。
提案手法は,現在の手法よりも少ない最適化ステップで性能の向上を実証する。
最大のLABSの場合、1000層を超えるスケジュールでほぼ最適のメリットを達成できます。
論文 参考訳（メタデータ） (2025-04-02T12:53:21Z) - PINS: Proximal Iterations with Sparse Newton and Sinkhorn for Optimal Transport [12.551419304993209]
本稿では,Sparse Newton法とSinkhorn法を用いて,大規模OT問題の高精度解を効率的に計算する手法を提案する。
全体空間と大域収束による計算複雑性の低減は厳密な理論解析によって保証される。
提案手法は,正確解に匹敵する精度を達成し,各イテレーションを段階的に高速化し,正規化パラメータに対する感度を低減し,ロバスト性を向上する。
論文 参考訳（メタデータ） (2025-02-06T03:21:48Z) - Linear-time classical approximate optimization of rugged-energy-landscape cubic-lattice classical spin glasses [0.0]
本稿では, 粗いエネルギー景観の量子スピードアップを実証するために, サブシステムに基づく古典最適化を考慮すべきであることを示す。
また, 後者の単調な誤差は, 粗さスペクトルの高端における粗さの増加とともに減少することがわかった。
論文 参考訳（メタデータ） (2025-01-28T19:52:59Z) - Adaptive SGD with Polyak stepsize and Line-search: Robust Convergence
and Variance Reduction [26.9632099249085]
AdaSPSとAdaSLSと呼ばれる2種類の新しいSPSとSLSを提案し、非補間条件における収束を保証する。
我々は, AdaSPS と AdaSLS に新しい分散低減技術を導入し, $smashwidetildemathcalO(n+1/epsilon)$グラデーション評価を必要とするアルゴリズムを得る。
論文 参考訳（メタデータ） (2023-08-11T10:17:29Z) - Accelerated First-Order Optimization under Nonlinear Constraints [61.98523595657983]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳（メタデータ） (2023-01-30T15:46:39Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - Steepest Descent Neural Architecture Optimization: Escaping Local
Optimum with Signed Neural Splitting [60.97465664419395]
我々は、局所最適性問題に対処する分割降下フレームワークの顕著で驚くべき拡張を開発する。
分割時の正と負の両方の重みを単純に許すことで、S2Dにおける分裂安定性の出現を排除できる。
我々は,CIFAR-100, ImageNet, ModelNet40 といった,S2D などの先進的なニューラルネットワークの精度とエネルギー効率の学習方法よりも優れている,様々な挑戦的なベンチマーク上で,本手法を検証する。
論文 参考訳（メタデータ） (2020-03-23T17:09:27Z)
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。