机器学习热力学时间箭头
基于基本的物理原理,特别重要的是对复杂动态系统进行宏观动力学建模,通过学习化简的热力学坐标和在这些坐标上解释动力学来实现。我们通过在聚合物拉伸和空间流行病的研究中验证了这种方法的有效性,表明我们的方法适用于广泛的科学和技术应用。
Aug, 2023
通过学习物理系统中热力学量的 Boltzmann 机器,通过自发的学习机器,我们训练了 Boltzmann 机器, 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距,证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量,并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。
Jun, 2016
本文介绍了一种基于神经网络的机器学习方法,可以用于推断不同相的相图,通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准(如纠缠熵),从而揭示了更清晰的相边界和关于相图拓扑的新见解,这对于 MBL 相的发现具有参考价值。
Oct, 2017
本文提出使用煞费苦心、模拟非平衡统计力学的方法,通过迭代向前的扩散过程来系统性地破坏数据分布中的结构,并学习一个可以还原数据结构的逆向扩散过程,从而快速学习、采样、评估深度生成模型中的概率。
Mar, 2015
初始条件通常是与动力学定律无关的算法独立的;这一原则将热力学与因果推断联系起来,并在因果推断领域提出了一种统计学的因果关系的不对称性。
Dec, 2015
开发了一种热力学理论用于机器学习系统,与物理热力学系统相似的是,机器学习系统也具有能量和熵的特征。我们引入了温度的概念,并建立了一个基本的热力学框架来处理具有非 Boltzmann 分布的机器学习系统。我们将机器学习系统看作具有不同状态的系统,并将模型训练和更新解释为状态相变的过程。我们将机器学习系统的初始潜在能量描述为模型的损失函数,并遵循最小潜在能量原则。我们推导了系统在相变过程中的温度,突出温度作为系统数据分布和机器学习训练复杂性的重要指标。此外,我们将深度神经网络视为具有全局温度和每层局部温度的复杂热能引擎,并介绍了神经网络的工作效率概念,主要取决于神经激活函数。然后,我们根据工作效率对神经网络进行分类,并将神经网络描述为两种类型的热能引擎。
Apr, 2024