随机系统的反重整群
本文介绍了一种变分重整化群方法,使用基于归一化流的深度生成模型。该模型通过变量变换从物理空间到潜在空间进行分级,从而生成近似相互独立的潜在变量,同时具有精确和可处理的似然度。本研究展示了该方法在 Ising 模型中的互相独立的集体变量识别和混合蒙特卡罗抽样的实际应用,并讨论了该方法与重整化群的小波分析和信息保存 RG 的联系。
Feb, 2018
本文探讨了粗粒化过程的信息理论特性,证明了 RSMI 粗粒化不会增加简化哈密顿量中相互作用的范围,并抑制了规范化扰动分布中相关性的产生,通过实证验证了信息保留与压缩相关的减小复杂度的度量,以及在一般 RG 过程中粗粒化的度数和类型的限制所产生的影响。
Sep, 2018
研究了小世界网络模型,证明该模型展现了正常的连续相变,提出实空间重整化群转化方法并计算了临界指数的准确值以及两个节点在网络中连接的平均度数随三个独立变量变化的比例。结果通过大量数值模拟得到证实。
Mar, 1999
利用人工神经网络和信息理论模型的非模型化特点,实现不需要系统的先验知识,识别重要的物理自由度,并演示自然系统中的重要且普遍存在的学习算法。通过对经典统计物理的问题在一维和二维的应用,演示了 RG 流和提取的 Ising 临界指数。说明了机器学习可以提取抽象的物理概念,并成为理论建模的一个重要组成部分。
Apr, 2017
使用 Restricted Boltzmann Machines(RBM)进行深度学习,研究了量子场论和统计物理中的重整化群(RG)与无监督深度学习之间的联系,并通过 1D 和 2D Ising 模型的研究验证了这种联系。
Aug, 2023
本研究发展了一种操作方法来识别状态的等价类,并且说明了重整化群的作用和信息在其中的作用,为量子场论中的区分度计算提供了一种方法。同时,本文也为不基于传统量子场理论的有效模型扩展重整化技术提供了途径,并阐明了不同类型重整化群之间的关系。
Feb, 2014
通过使用张量重整化群方法,我们考虑复杂 $eta = 1 /g_0^2$ 下经典自旋模型的符号问题,获得了比重重取蒙特卡罗方法更大 Im $eta$ 可靠计算的结果。我们研究了各种模型,例如 Ising 模型,O(2)模型等,并预测了更大体积下的 Fisher 零点的位置,并与 Monte Carlo 重重取模拟方法进行比较,为化学势的应用提供了简短的讨论。
Sep, 2013
本文比较分析了重整化群方法与深度机器学习方法的相似之处,讨论了多尺度纠缠重整化算法在生成式分层贝叶斯网络中的应用,并证明了该算法仅涉及概率的明确评估,消除了采样的需要。
Jan, 2013