机器学习相变：与费舍尔信息的关联

Nov, 2023

机器学习相变：与费舍尔信息的关联

Machine learning phase transitions: Connections to the Fisher information

Julian Arnold, Niels Lörch, Flemming Holtorf, Frank Schäfer

TL;DR机器学习技术用于检测相变已经被广泛使用并取得成功，但其工作原理和基本限制仍然不清楚。本研究使用信息几何学的工具，通过将流行的机器学习相变指标与信息论概念联系起来，解释了其内部工作原理，并确定了潜在的失效模式。我们证明了几个机器学习相变指标从下方近似系统（量子）费舍尔信息的平方根，这个量在指示相变方面是知名的，但从数据中计算起来经常困难。我们在经典和量子系统的相变中数值上证实了这些界的质量。

Abstract

Despite the widespread use and success of machine-learning techniques for detecting phase transitions from data, their working principle and fundamental limits remain elusive. Here, we explain the inner workings and identify potential failure modes of these techniques by rooting popula

machine learning techniques phase transitions information-theoretic concepts information geometry fisher information

发现论文，激发创造

通过混淆学习相变

利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

Oct, 2016

强关联费米子的机器学习阶段

使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

Sep, 2016

机器学习物态相

采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

May, 2016

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

多任务混淆学习快速检测相变

利用机器学习研究相变，提出了一种基于混淆学习的方案，通过训练一个多类别分类器而不是多个二分类器来减少计算成本，实现了与理想情况相近的速度提升，适用于伊辛模型和具有稳定扩散生成的图像数据集。

Nov, 2023

互动智能代理系统中相变鉴别的机器学习方法

通过降阶模型、数据驱动框架、流形学习算法、深度学习框架和分叉图表，本文提出了一种定位基于代理模型 (ABMs) 的平均场极限相变的方法。

Oct, 2023

大深度量子神经网络中的动力学相变

量子神经网络的训练动力学可以用广义的 Lotka-Volterra 方程描述，导致了一个动力学相变。当代价函数的目标值从上方穿过最小可达值到下方时，动力学从冻结核相位变为冻结误差相位，显示了量子神经正切核和总误差之间的二元性。在两个相位中，对于固定点的收敛是指数级的，而在临界点时则是多项式级的。我们通过将训练动力学的 Hessian 映射到虚时间中的 Hamiltonian，揭示了相变的本质是二阶的，指数 ν=1，表现出临界点的尺度不变性和闭合间隙。我们还通过在输出态趋近稳态时的限制 Haar 集合上提供了一个非微扰的解释相变的分析理论。这些理论发现在 IBM 量子设备上得到了实验验证。

Nov, 2023

自旋子费米面的机器学习特征发现

我们使用量子 - 经典混合方法和可解释的机器学习方法，探测无特征量子态的新迹象，并在模拟六角格子上 Kitaev - Heisenberg 模型中明确表示出磁场引起间隔相的特征振荡。

Jun, 2023

表示学习中信息瓶颈的相变

通过研究信息瓶颈 (IB) 目标函数中的多个相变，我们引入了 IB 相变的定义作为 IB 损失函数景观的定性变化，并提出了一个公式，为 IB 相变提供了实际条件，从而预测了数据集的阶段性变化和分类难度。

Jan, 2020

量子状态的实验机器学习

本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

Dec, 2017