Jan, 2024

利用概率计算机辅助的均场深度玻尔兹曼学习

PDF
TL;DR利用概率计算机（p-computer）和意味场理论（Mean-Field Theory）辅助学习算法，该研究提出了用于训练难以处理的波尔兹曼机（Boltzmann Machines）的方法以及在可扩展的伊辛机器（Ising machines）中的应用。
boltzmann machinesp-computermarkov chain monte carlomean-field theoryising machines
发现论文，激发创造
  • 单调深度玻尔兹曼机

    本研究提出了单调 Deep Boltzmann machines，架构允许全连接的权重结构的高效（近似）推理，可用于图像联合完成和分类。

    Jul, 2023

  • 受限玻尔兹曼机的高级平均场理论

    通过 Bethe 近似复杂统计场理论，我们基于平均场理论为 RBM 提供了一种高效的基于消息传递的方法，可以评估分区函数和梯度而无需统计采样，从而消除了对计算上昂贵的采样方法的需求。

    Feb, 2015

  • 量子玻尔兹曼机

    本文提出了一种新的基于量子玻尔兹曼分布的机器学习方法，即量子玻尔兹曼机。通过对量子概率引入边界，可以使该机器学习模型的训练高效进行，同时也探讨了使用 D-Wave 等量子退火处理器进行训练和应用的可能性。

    Jan, 2016

  • 快速且准确地训练和抽样受限波尔兹曼机

    通过凸优化过程将数据集的主要方向整合到低秩 RBM 中，从而通过静态蒙特卡罗过程实现平衡分布的高效采样，成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性，并提出了一种新的采样方法 - 平行轨迹调整，使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。

    May, 2024

  • 用受限玻尔兹曼机加速蒙特卡罗模拟

    本文提出了将人工神经网络用于蒙特卡罗方法的改进，使其在统计物理问题中的混合时间得以加速，具体应用于 Falicov-Kimball 模型，并在其相变点附近展示了接受比率和自相关时间的提高。

    Oct, 2016

  • CMOS + 随机纳米磁体：概率推理和学习的异质计算机

    本文提出了一种异构计算器，该计算器将基于随机磁隧道结的概率位（p-bits）与现有的 CMOS 技术相结合，恰当的设计提高了概率计算的能效，提供了比仿真高质量的随机比特。

    Apr, 2023

  • 探究各种动态模式下的最小概率流模型对 RBM 的影响

    本论文比较了训练 RBM 模型的两种算法：对比散度 (CD) 和最小概率流 (MPF)。实验结果显示 MPF 算法在不同的 RBM 配置下性能优于 CD 算法。

    Dec, 2014

  • 用磁性 p 位对量子系统进行机器学习

    Moore's Law slowdown necessitates scalable and energy-efficient hardware for AI algorithms, with probabilistic computing and spintronic devices showing promise in designing integrated p-computers for the emerging field of machine learning and quantum physics.

    Oct, 2023

  • 联合训练深度玻尔兹曼机进行分类

    本文介绍了一种新的深度玻尔兹曼机联合训练方法，使用多预测训练策略同时训练 DBM 的所有层，得到的模型可以作为一个最大化广义伪似然的变分近似单一生成模型或近似平均的一类共享参数的循环网络。实验证明此方法的性能优于其他方法在分类精度和处理缺失输入方面。

    Jan, 2013

  • 使用玻尔兹曼机学习热力学

    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