論文の概要: Pool-free, residual-triggered ansatz growth for variational imaginary-time evolution: when a fixed operator order beats adaptive screening
- arxiv url: http://arxiv.org/abs/2611.13998v2
- Date: Wed, 11 Nov 2026 05:47:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.911498
- Title: Pool-free, residual-triggered ansatz growth for variational imaginary-time evolution: when a fixed operator order beats adaptive screening
- Title(参考訳): 変分想像時間進化のためのプールフリー・残留トリガーアンザッツ成長-固定演算子の順序が適応スクリーニングに勝る場合-
- Abstract要約: ADAPT-VQEとAVQITEは、成長ステップ毎にオペレータプールをスクリーンする。
変分想像時間進化のためのプールフリーの代替法について検討する。
- 参考スコア(独自算出の注目度): 5.610929955077264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive variational algorithms such as ADAPT-VQE and AVQITE screen an operator pool at every growth step, and ADAPT-VQE also re-optimizes all parameters. We study a pool-free alternative for variational imaginary-time evolution (VITE). The layers are fixed in advance by nested commutators of the Hamiltonian, grouped by symmetry and particle number, and the next layer is appended when the relative McLachlan residual exceeds a threshold. On five non-integrable systems (the mixed-field Ising chain and tori, and stretched H$_4$), this dynamic VITE reaches a relative error of $10^{-4}$ with 1.6-5.4 times fewer circuits than the cheapest of six to eight adaptive variants, including single-Pauli-string and qubit-excitation pools and batched ADAPT-VQE. On the chain the advantage persists from 8 to 16 sites. Screening and re-optimization account for most of the adaptive methods' cost. On the spin models, a longitudinal-field scan shows that the advantage requires broken integrability, which makes adaptive screening expensive. The advantage is lost on transverse-field Ising models, at tight targets (relative error $10^{-6}$) and where the schedule front-loads weak layers.
- Abstract(参考訳): ADAPT-VQEやAVQITEのような適応的変分アルゴリズムは、すべての成長ステップで演算子プールをスクリーニングし、ADAPT-VQEは全てのパラメータを再最適化する。
本研究では,ビジュアル・イマジナリー・タイム・進化(VITE)に対するプールフリーな代替手段について検討する。
これらの層はハミルトニアンのネストされた通勤者によって事前に固定され、対称性と粒子数でグループ化され、次の層は相対的なマクラクラン残基がしきい値を超えると付加される。
5つの非可積分系(混合体イジング鎖とトーリ、拡張されたH$_4$)において、この動的 VITE は 10^{-4}$ の相対誤差に到達し、1.6-5.4 倍の回路を持つ。
チェーン上では、アドバンテージは8サイトから16サイトまで持続する。
適応手法のコストの大部分をスクリーニングと再最適化が占める。
スピンモデルでは、長手フィールドスキャンにより、利点は分解性を必要とすることを示し、適応的なスクリーニングは高価である。
逆フィールドイジングモデルでは、厳密な目標(相対誤差10^{-6}$)と、スケジュールが弱いレイヤを前もってロードする場合に利点が失われる。
関連論文リスト
- Hybrid metaheuristics for architectural design optimization under small evaluation and wall-clock budgets [0.0]
2つのハイブリッドメタヒューリスティックがアーキテクチャと構造設計の最適化のために提案されている。
また,適応微分進化における個体数削減の予算を考慮した遅延も提案した。
工学的応用では、CMA-ESハイブリッドと通常のCMA-ESはグラスホッパーよりも著しく劣ることはない。
論文 参考訳(メタデータ) (2026-10-19T11:29:14Z) - FLAT: Smoothing the Rugged Landscape for Learnable, Sample-Efficient Traffic Calibration [2.638116313344784]
FLATを紹介します。次にどの場所をサンプリングするかを最適化します。
8次元の行動指紋はパラメータエラーの風景を滑らかにする。
6つの現実世界のシーンで平均的な行動誤差が最小となる。
論文 参考訳(メタデータ) (2026-10-03T07:05:28Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳(メタデータ) (2026-08-31T06:35:07Z) - SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。
メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。
4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
論文 参考訳(メタデータ) (2026-08-29T21:34:47Z) - Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。
我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。
我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
論文 参考訳(メタデータ) (2026-06-18T20:51:42Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳(メタデータ) (2026-06-05T14:00:47Z) - Agile Online Model Selection: Resolving Adaptation Lag via Safeguarded Large Learning Rates [9.463718838347955]
本稿では,保護された大規模学習率を最大$(T) まで活用する,新しい楽観的なオンラインミラー降下法を提案する。
私たちの重要な技術的貢献は、不安定な更新を動的に監視し、過度の後悔を招く学習率を排除する、ポストホックペナルティメカニズムです。
3つの合成および11の多様な実世界のデータセットに対する実証的な評価は、我々のアプローチが数百ラウンドから数ラウンドまでの適応ラグを減少させることを示している。
論文 参考訳(メタデータ) (2026-05-26T12:18:08Z) - Bug or Feature$^2$: Weight Drift, Activation Sparsity and Spikes [53.726365933748134]
標準損失と正に偏りのある活性化関数の相互作用によって引き起こされる負の重みのドリフトを解析する。
79の構成にまたがるスパシティ・精度のトレードオフを特徴付けるとともに、$sim$70%のアクティベーション・スパシティよりも高い精度の崖を識別する。
論文 参考訳(メタデータ) (2026-05-17T21:29:20Z)
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。