通过机器学习技术,我们设计了针对现有实验数据的拟合和满足美感、自然性等抽象理论家标准的损失函数。我们以 Yukawa 夸克部门作为一个案例,证明了这些损失函数的优化可以得到真实而美观的模型。
Oct, 2023
通过利用物理学中的能量景观方法,在机器学习模型中识别有意义的特征来解释模型决策,为使机器学习在医学、网络安全、自动驾驶等领域得到广泛采用提供了一种新途径。
Apr, 2023
利用粒子物理过程的潜在空间结构,利用增强数据训练神经网络,从而实现在加速器实验中约束理论参数的多种推理技术,这些新技术比传统方法基于直方图的方法放置了更强的限制。
Apr, 2018
在这篇论文中,我们讨论了如何利用机器学习在自然科学中获得严谨性,通过猜想生成或通过强化学习进行验证,可以使用非严谨的方法得到严谨的结果。我们还描述了受神经网络理论启发的场论新方法,以及通过神经网络梯度下降诱导的黎曼度量流理论,其中包含了 Perelman 的黎曼流公式,该公式用于解决 3D Poincaré 猜想。
Feb, 2024
用神经网络学习可以发现低能量有效场论的新性质,并可解决多种学习问题,包括插值和多类别分类问题,产生高准确性的结果。
Mar, 2024
提出一种基于达尔文自然选择原理的计算模型,通过决策树和值函数树重建实体的轨迹,提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。
Mar, 2023
介绍了使用物理学方法来改进保护医疗记录等隐私数据的机器学习系统,采用张量网络架构来保证特定类型的保密泄漏并取得了相对较好的效果。
Feb, 2022
利用粒子物理过程结构从 Monte-Carlo 模拟中提取额外信息,用于训练神经网络模型估计可能性比率,进而放宽对有效场论的限制,提高精度。
现代生成式机器学习模型展示出令人惊讶的能力,能够创造出超越其训练数据的逼真产出,如逼真的艺术作品、精确的蛋白结构或对话文本。这些成功表明生成模型学会了有效地参数化和采样任意复杂的分布。本文旨在将经典作品与大规模生成统计学习中的新兴主题联系起来,包括经典吸引子重构、隐空间模型中的潜在表示学习等。还介绍了早期利用符号近似进行比较的努力,与现代努力进行黑盒统计模型的精简和解释相关。新兴的跨学科研究桥接了非线性动力学和学习理论,如用于复杂流体流动的算子理论方法,或者检测生物数据集中打破了详细平衡的情况。我们预计未来的机器学习技术可能会重新审视非线性动力学中的其他经典概念,如信息传输衰减和复杂性 - 熵权衡问题。
Nov, 2023
使用机器学习模型分析含有尘埃的等离子实验中的粒子运动轨迹,得出了符合物理约束条件的力学定律,揭示了新的尘埃等离子物理学,表明机器学习在多体系统中引导科学发现的新途径。