Sep, 2023

主动物质中的深度学习概率流和熵产生速率

PDF
TL;DR利用生成模型构建了一个深度学习框架，可以估计活性物质系统中的熵产生速率和概率流量，并将其分解为个体粒子、空间区域和自由度的本地贡献。通过将该方法应用于基于运动引起的相分离的活性粒子的高维系统，验证了该方法的广泛应用性和可扩展性。
active matter systemsentropy production rateprobability currentgenerative modelingmotility-induced phase separation
发现论文，激发创造
  • 应用非平衡热力学的深度无监督学习

    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

  • 基于图形的主动物质模型仿真推断

    本文研究了非平衡态下存在的集体系统，详细探讨了个体材料组分内部能量以及小扰动对整个系统流变性质的全球影响，利用模拟推断方法依据少量图像数据提取了集体系统参数的可行性，着重强调了复杂集体系统内部的结构关系是生成模型和数据更精确匹配的重要因素。

    Apr, 2023

  • 生成型扩散模型的非平衡物理学

    透明物理分析推导了扩散模型中的涨落定理、熵产生、Franz-Parisi 势函数，从非平衡物理的角度理解了最近发现的内在相变现象，该统一原理预计将引导机器学习从业者设计更好的算法，也将把机器学习与非平衡热力学联系起来。

    May, 2024

  • 机器学习的平衡状态内外

    本研究探索了神经网络训练算法与自然过程如蛋白质折叠和进化之间的相似性，使用统计物理中 Fokker-Planck 方法将它们在一个统一的框架下探索，研究了在长时间极限下系统的稳态和出现的熵产生率，验证了涉及到这些数值的图谱存在扰动定理，提出了一种新的随机梯度 Langevin 动力学（SGLD）算法，可以应用于贝叶斯机器学习中从后验分布中获取网络权重。

    Jun, 2023

  • Boltzmann 生成器 -- 利用深度学习采样多体系统的平衡态

    利用深度学习和统计力学，我们开发了 Boltzmann Generators，它们能够生成代表性的凝聚态物质系统和蛋白质的无偏一次平衡样品。

    Dec, 2018

  • 一种用于人工细胞的随机分子方案，从局部观测中推断其环境

    本文介绍了如何使用随机量子化动力学来进行信息投影或 E 投影的统计操作，并且应用于人工细胞环境推断问题。

    Apr, 2017

  • 非平衡物理：从自旋玻璃到机器和神经学习

    混沌多体系统的新兴智能行为可以通过统计物理学来表征，探索学习机制与物理动力学之间的关系，以设计适用于人工智能应用的智能系统。

    Aug, 2023

  • 机器学习的非平衡物态相

    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

  • 在活性粒子系统中学习局部主导力平衡

    利用无监督聚类和稀疏度推导算法的组合，学习解释自组织活性粒子系统中的宏观模式形成的局部主导力平衡，揭示了该系统中的自组织结构形成的物理机制。

    Jul, 2023

  • 无采样概率深度状态空间模型

    提出了一种基于神经网络的确定性推理算法，用于训练和测试具有未知参数形式的概率深度状态空间模型，实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。

    Sep, 2023