Lifted TASEP: A Solvable Paradigm for Speeding up Many-Particle Markov Chains
Notice bibliographique
Résumé
Virtually all Markov-chain Monte Carlo algorithms used for sampling a given distribution are reversible, and they satisfy the detailed-balance condition. For local chains, this leads to a slow, diffusive exploration of sample space. Significant speedups can be achieved through nonreversible algorithms with the given distribution as a targeted steady state. However, nonreversible algorithms for sampling are difficult to set up and to analyze, and exact speedup results for interacting many-particle systems are very rare. Here, we introduce the “lifted” totally asymmetric simple exclusion process (TASEP) as an exactly solvable paradigm for nonreversible many-particle Markov chains. It samples the same hard-sphere distribution as the Metropolis algorithm for symmetrically diffusing hard-core particles on a one-dimensional lattice. We solve the lifted TASEP by an unusual kind of coordinate Bethe ansatz and show that it exhibits polynomial (in particle number) speedups in the relaxation time for the asymptotic approach of the steady state, as well as the nonasymptotic mixing time, compared to both Metropolis and Kardar-Parisi-Zhang-based dynamics. The lifted TASEP is the reduction onto the one-dimensional lattice of the successful hard-sphere event-chain Monte Carlo algorithm, and we discuss that it can likewise be generalized to soft interaction potentials. Published by the American Physical Society 2024
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».