通过统计推理的重整化群
利用人工神经网络和信息理论模型的非模型化特点,实现不需要系统的先验知识,识别重要的物理自由度,并演示自然系统中的重要且普遍存在的学习算法。通过对经典统计物理的问题在一维和二维的应用,演示了 RG 流和提取的 Ising 临界指数。说明了机器学习可以提取抽象的物理概念,并成为理论建模的一个重要组成部分。
Apr, 2017
通过在高斯过程回归的背景下,系统地积掉不可学习的高斯过程核的模式,实现了威尔逊 RG 在实践上的方法,其中数据扮演能量尺度的角色,研究这样的流可以改善我们对深度神经网络中特征学习的理解,识别出这些模型中的潜在普适类。
May, 2024
Bayesian Renormalization uses the Fisher metric to define an emergent RG scale and prepare an effective model for a system up to a precision bounded by that scale, which makes it an ideal approach for renormalization in data science contexts. It relates to existing methods for data compression and data generation like the information bottleneck and the diffusion learning paradigm.
May, 2023
本文介绍了一种变分重整化群方法,使用基于归一化流的深度生成模型。该模型通过变量变换从物理空间到潜在空间进行分级,从而生成近似相互独立的潜在变量,同时具有精确和可处理的似然度。本研究展示了该方法在 Ising 模型中的互相独立的集体变量识别和混合蒙特卡罗抽样的实际应用,并讨论了该方法与重整化群的小波分析和信息保存 RG 的联系。
Feb, 2018
本文比较分析了重整化群方法与深度机器学习方法的相似之处,讨论了多尺度纠缠重整化算法在生成式分层贝叶斯网络中的应用,并证明了该算法仅涉及概率的明确评估,消除了采样的需要。
Jan, 2013
使用 Restricted Boltzmann Machines(RBM)进行深度学习,研究了量子场论和统计物理中的重整化群(RG)与无监督深度学习之间的联系,并通过 1D 和 2D Ising 模型的研究验证了这种联系。
Aug, 2023
本文探讨了粗粒化过程的信息理论特性,证明了 RSMI 粗粒化不会增加简化哈密顿量中相互作用的范围,并抑制了规范化扰动分布中相关性的产生,通过实证验证了信息保留与压缩相关的减小复杂度的度量,以及在一般 RG 过程中粗粒化的度数和类型的限制所产生的影响。
Sep, 2018
通过逆重整化群变换,使用机器学习算法构建规模最高达 128^3 的格点,以提取两个关键指数并讨论如何在无序系统的逆重整化群方法中引入数值精确性,从而在不使用专用超级计算机的前提下,为不断增大的格点体积生成精确配置的机会。
Oct, 2023