物理学中的机器学习简要指南
本文综述了机器学习和物理科学之间的接口,包括机器学习的基本概念,如何用统计物理学理解机器学习方法,机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用,以及加速机器学习的新型计算架构的研究和开发。
Mar, 2019
本文介绍了机器学习的核心概念和工具,并强调了与统计物理之间的自然联系。此外,还介绍了监督和非监督学习中的先进主题,并使用 Python Jupyter 笔记本演示了这些概念,并以物理学为基础的数据集(Ising 模型和超对称质子 - 质子碰撞的蒙特卡罗模拟) 作为案例,最后探讨了机器学习在进一步理解物理世界方面的潜在用途以及物理学家可能能够做出贡献的机器学习中存在的未解决问题。
Mar, 2018
介绍现代机器学习在粒子物理领域的应用,重点关注大型强子对撞机中的信号 / 背景识别任务,包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。
Mar, 2021
本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展,它以物理机制为前提,在模型结构、优化器、推断算法和特定领域的应用(如逆向工程设计和机器人控制)等方面将不同的物理先验形式编码成模型,随着跨领域的研究,增强模型精度,提高效率,并对相关学科领域解决长期存在的问题提供可贵帮助。
Nov, 2022
本文旨在从量子信息的角度,发起一种系统地对待机器学习的方法,并涵盖了机器学习的三大分支:监督学习,无监督学习和强化学习。通过这种方法,本文提出了一个系统化的方案以解决强化学习中的量子提升问题,并证明了在限定的时间范围内,对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。
Oct, 2016
本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法,总结了这些方法的应用领域,并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法,提出了现有技术的分类方法,揭示了知识漏洞和不同学科间方法的潜在交叉点,可用作未来研究的思路。
Mar, 2020