热力学 AI 和涨落界面
近期人工智能算法的突破强调了真正释放人工智能潜力所需的新型计算硬件的需求。本文介绍了第一个连续变量热力学计算机，称为随机处理单元 (SPU)，它由 RLC 电路组成，在一个印刷电路板上，有 8 个单元，通过开关电容进行全对全耦合。我们展示了 SPU 在高斯采样、矩阵求逆等方面的应用，以及在神经网络分类的不确定性量化中的适用性，我们预计当该硬件规模扩大时，将对加速各种概率性人工智能应用产生重大影响。
Dec, 2023
本文旨在实现高效可靠的人工智能，通过将物理洞察力、神经科学原理、信息论上的最优不确定性量化结果以及分布式处理的通信理论准则与计算基础相结合的硬件和软件设计的研究方向，倡导不仅关注准确性而且关注不确定性量化的新的设计方法论，利用新兴的计算硬件架构，摆脱传统的冯・诺依曼数字计算范式，采用内存计算、神经形态计算和量子计算技术。
Sep, 2023
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
随机热力学是将经典热力学的概念（如功、热以及熵的产生）扩展到非平衡集合的个体轨迹的框架，主要应用于单胶体颗粒、聚合物、酶和分子电机、小型生化网络以及热电器件等系统中，各种波动定理限制着功、热和熵产生的概率分布，并可以通过一个主定理来规定。
May, 2012
未来的人工智能在科学研究中的作用，特别关注湍流研究，并通过基于非平衡统计力学的扩散模型，研究人工智能的演变。通过创新地使用深度神经网络，强调了人工智能在推进减少的拉格朗日湍流模型方面的重要影响。此外，该论文还审查了湍流研究中各种其他人工智能应用，并概述了人工智能和统计流体力学同时发展中的潜在挑战和机遇。这个讨论为人工智能和湍流研究相互交织的未来奠定了基础，促进这两个领域的更深入洞察和进展。
Mar, 2024
本文为 AI4Science 领域中的一个子领域 —— 量子、原子和连续系统的 AI 提供了技术上的全面介绍，重点在于探讨诸如如何采用深度学习方法捕捉自然系统物理第一性原理、特别是对称性等挑战。
Jul, 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
研究智能系统以经济合理性解释其行为，其中包括涉及函数或效用的优化原则，最近这一理论已将约束纳入进来，即在满足某些信息处理约束的同时最大化效用。研究智能系统已从热力学工具中受益，本篇论文的目标是澄清这些结果在研究智能系统中的适用性，并改善对排序结构的分类和对能够允许这样的框架的要求的理解。
Jun, 2024
本文研究了如何通过调整超参数，同时保持高学习效能，利用名称为 Tsetlin 的机器学习算法进行能源节约人工智能硬件设计的方法，并使用可达性和博弈理论分析来展示可解释性。研究提供了有关在这种新型人工智能硬件架构中涉及的节能和可解释性决策模型的矛盾设计折衷的第一手资料。通过在随机强化之间进行节俭的资源配置，可以在取得稳健和可解释的学习的同时提供决定性的节能。
May, 2023