Apr, 2024

消息传递变分自回归网络求解棘手伊辛模型

PDF
TL;DR我们提出了一种具有消息传递机制的变分自回归体系结构，在一个退火框架下进行训练。该网络在解决几个典型的伊辛自旋哈密顿量方面表现优于现有方法，尤其是在低温下的更大自旋系统。我们的方法将无监督神经网络在解决组合优化问题方面推广到了当前的计算限制的范围内。
deep neural networksising modelsground statesfully connectedcombinatorial optimization
发现论文，激发创造
  • 带结构推理网络的变分消息传递

    通过结构化推理网络和变分信息传递算法，提出了一种针对深层结构模型的高效变分推理方法，实现了结构化、平凡化和自然梯度推理的同时简化了现有方法。

    Mar, 2018

  • 用深度自回归模型高效变分模拟多体量子系统

    使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

    Feb, 2019

  • 量化生成模型解决伊辛模型的泛化能力的方法

    通过设计一个 Hamming 距离约束器来量化生成模型的泛化能力，本研究对几种常见的神经网络架构（前馈神经网络、递归神经网络和图神经网络）结合变分自回归网络（VAN）的泛化能力进行了数值实验，并发现网络在小规模问题上的泛化能力可以预测其在大规模问题上的性能，这对于神经架构搜索中搜索大规模 Ising 模型的最佳网络架构具有重要意义。

    May, 2024

  • 逆对偶配对伊辛问题的更快解决方案

    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

  • 解释 Ising 模型的机器学习解决方案

    使用神经网络和哈密顿的对称性来解释和预测具有大数据维度的物理应用中的铁磁伊辛模型的临界温度。

    Feb, 2024

  • 高维深度网络推理

    本文介绍了一种深度随机神经网络的推理方法，称为多层向量近似信息传递（ML-VAMP），通过推导模型的均方误差（MSE），它在高维度下具有严格的性能可达性结果。

    Jun, 2017

  • 神经偏微分方程求解中的自回归复兴

    “Message Passing Neural PDE Solver” by Brandstetter et al. designs a graph neural network that outperforms both Fourier Neural Operator and classical PDE solvers in generalization capabilities and performance, addressing instability in autoregressive models.

    Oct, 2023

  • 自回归神经网张量网络：量子多体模拟中神经网络和张量网络的桥梁

    提出了一种新的 Autoregressive Neural TensorNet (ANTN) 架构， 该架构能够准确模拟具有规范化波函数的量子状态的样本，拥有更广泛的表现力和对称性， 并能够应用于科学模拟和机器学习等领域。

    Apr, 2023

  • 利用人工神经网络解决量子多体问题

    通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

    Jun, 2016

  • 利用变分自动编码器学习困难量子分布

    研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

    Oct, 2017