神经网络中物理系统的操作性有意义表示

Jan, 2020

神经网络中物理系统的操作性有意义表示

Operationally meaningful representations of physical systems in neural networks

Hendrik Poulsen Nautrup, Tony Metger, Raban Iten, Sofiene Jerbi, Lea M. Trenkwalder...

TL;DR通过神经网络架构，将物理系统中不同方面的信息以最高效的方式传递，以实现表述不同实验条件下有用参数的分离及筛选，实现了针对不同参数需求的物理系统抽象表示，并且可以与强化学习相结合实现交互式场景下的物理系统表征学习。

Abstract

To make progress in science, we often build abstract representations of physical systems that meaningfully encode information about the systems. The representations learnt by most current machine learning techniques reflect statistical structure present in the training data; however, t

neural network physical systems representation learning quantum physics reinforcement learning

发现论文，激发创造

用神经网络发现物理概念

本研究以人类物理推理过程为模板，建立了一种神经网络架构，旨在通过表示学习的方式，使神经网络在实验数据的基础上为科学发现提供更具一般性的工具，并在玩具实例中应用该方法，得出相应结论。

Jul, 2018

物理概念的可学习性：神经网络能否理解真实世界？

在现代架构上，使用随机梯度下降算法训练模型可以更好地了解抽象概念，但仍然需要不断交互和验证以理解物理概念，并通过控制数据采集过程获得积极的观察结果。然而，使用有限的资源和时间将物理实体绑定到数字身份是解决信号到符号障碍问题的一个潜在方法，但需要不断的验证和咨询。

Jul, 2022

简单认知网络中的表征演化

本文探讨了 “表示” 在环境中如何生成和对智能行为是否必要的问题，并设计了一种基于信息论的重要特征 “表示” 的量化测度 R，通过人工神经网络和隐藏马尔可夫门的网络求解一个分类任务，发现适应过程中表示的能力增强且会在一个 agent 的生命周期内形成其环境的表示，能够使 agent 在获取感官输入的基础上表现复杂的、依赖于语境的行为。

Jun, 2012

神经网络中表征学习和性能预测的量化方法

本文提出了一种基于伪核的新工具，用于分析和预测网络学习到的表示，通过验证其在简单测试案例上的使用，本文论证了该方法可预测权重初始化和训练计划对表示学习和下游并发多任务执行表现的影响。

Jul, 2023

量子系统的神经网络表示

通过使用神经网络的通用逼近定理，本文提出了一种新的映射方法，将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式，从而将机器学习与量子世界更加紧密地联系起来。

Mar, 2024

可解释性的物理系统元学习

机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应用。

Dec, 2023

量子与经典神经网络模型在图像分类任务中的比较

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021

使用深度神经网络构建量子多体系统的精确表示

我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

Feb, 2018

用深度神经网络高效表征量子多体状态

深度神经网络具有很高的表示能力，能够高效地表示大多数物理态，然而浅层神经网络在计算复杂度理论中的一些较高层次上不能够高效地表示这些态。

Jan, 2017

小型量子态的可解释表示学习

本研究提出了一种自我学习的方法，使用无人干预的生成式模型来描述量子状态，通过研究该模型学习到的内在表示方式及其对量子态的理解，我们证明该方法具有实现可解释机器学习量子态的潜力，且能够进行自主学习，并为机器学习如何自我学习小规模量子系统提供了见解。

Jun, 2023