解释 Ising 模型的机器学习解决方案
本研究证明基于成对交互的概率模型,尤其是伊辛模型,能够准确地描述从神经元到基因等多种真实生物网络实验数据。通过将统计物理和机器学习的思想相融合,我们展示了一种新的反演求解方法,并发展出了针对真实神经元数据的一些有效的求解技巧。我们的算法不仅仅可以在几分钟内学习描述四十个神经元的伊辛模型,而且可以分析更大的数据集,从而验证这些网络的集体行为假设。
Dec, 2007
高性能计算的效率提升趋于尽头,传统的 CMOS 技术面临物理极限,Miniaturization 无法继续进行;以 Ising 模型为基础的计算系统能够接近热力学极限下的能耗,同时兼具逻辑和存储功能,潜在降低 CMOS 计算中昂贵的数据迁移造成的能源成本;本文的贡献是提出一种结合深度神经网络和随机森林的机器学习方法,用于高效解决 Ising 模型中最小化误差的优化问题,并提供一种将 Boltzmann 概率优化问题转化为监督式机器学习问题的过程。
Jan, 2024
使用深度玻尔兹曼机、深度置信网络和深度限制玻尔兹曼网络对二维 Ising 系统进行非监督生成建模,比较与浅层架构的有限玻尔兹曼机的效果,并发现只有第一隐藏层的神经元数量对于生成能量观测量的准确度有影响,而架构的深度和模型类型对于准确度的影响很小,这证明在表示与 Ising 系统的临界概率分布相关的物理概率分布时,浅层网络比深度神经网络更有效率。
Aug, 2017
金属自旋玻璃体系的动力学模拟中,利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场,发展了一种根据局部磁性环境进行磁性描述的神经网络模型,该模型具有很高的精确性和高效性,并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究,展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。
Nov, 2023
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
该研究提出了一种用于训练量化神经网络(QNN)的 Ising 学习算法,该算法通过二进制编码网络拓扑和损失函数的降阶,实现了在 Ising 机器上训练多层前馈神经网络。该算法的空间复杂度约为 O (H^2L + HLNlogH),通过模拟 Ising 机器在 MNIST 数据集上验证了其有效性。
Nov, 2023
提出了一个基于 Ising 结构的新型机器学习模型,可以通过梯度下降进行高效训练,实验证明了 Ising 机器在不同的学习任务中的新可能性,尤其在量子机器学习领域中,量子资源被用于模型的执行和训练,提供了有希望的前景。
Oct, 2023
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
本文介绍了一种新的方法,使用平衡传播算法对 Ising 机器进行监督训练,获得与软件实现相当的结果。我们使用 D-Wave Ising 机器的量子退火程序在 MNIST 数据集上训练全连接神经网络,并且证明了该机器的连通性支持卷积操作,从而实现了每个神经元最小旋转的紧凑卷积网络的训练。这些发现将 Ising 机器作为一种有前途的可训练硬件平台,具有提高机器学习应用的潜力。
May, 2023
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