- 通过 Ising 模型对领域感知因子分解机进行 L0 正则化
使用 Ising 模型作为 L0 正则化方法提高场感知分解机 (FFM) 的泛化性能，同时确定每个组的最佳特征组合，从每个组选择的特征的相似性和差异性进一步解释和理解模型。
- 以伊辛模型为基础的任务特定图形子采样
使用 Ising 模型和图神经网络对图结构进行子采样，并学习 Ising 模型的外部磁场，从而实现具体下游任务的图降维，应用于图像分割、3D 形状稀疏化和稀疏逆矩阵近似决定。
- 用深度学习解决 Boltzmann 优化问题
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 - 量子视觉聚类
我们提出了首个适用于 AQC 的聚类问题形式，该方法在当前量子计算机代际已经可解，并通过使用整数规划求解器与现有的基于优化的方法相比具有竞争力。
- 重探 Renormalization Group 和 Ising 模型中的深度学习连接深入
使用 Restricted Boltzmann Machines（RBM）进行深度学习，研究了量子场论和统计物理中的重整化群（RG）与无监督深度学习之间的联系，并通过 1D 和 2D Ising 模型的研究验证了这种联系。
- 稀疏传感器的数据诱发相互作用
科学和工程中的大维度实证数据往往具有低秩结构，并可表示为仅由少数特征模式的组合。本研究基于数据训练给出了传感器相互作用的完整景观，采用了统计物理学中的伊辛模型，从而优化了传感器布置并利用了外部选择准则。
- Metropolis-Hastings 微分优化难以计算的密度函数
本文提出了一种用于无偏区别 Metropolis-Hastings 采样器的方法，使得我们能够通过概率推理进行不可行目标密度的优化，该方法通过融合随机区分的最新进展和马尔可夫链耦合方案，可以使该过程无偏、低方差和自动化，然后将其应用于期望为 - 用于自旋模型的可微编程框架
本文提出了一种基于可微编程的新的旋转系统建模框架，可高效地模拟旋转系统，适用于包括 GPU 和 TPU 在内的不同硬件架构，有效提高了建模效率。
- 用于多目标跟踪的绝热量子计算
本论文提出了第一个针对使用 AQC 求解的 MOT 公式。通过使用描述在 AQC 上实现的量子力学系统的 Ising 模型，我们证明了该方法即使在使用现成的整数规划求解器时也可以与最先进的基于优化的方法竞争。最后，我们证明了 MOT 问题在 - 利用深度学习探测相对论重离子碰撞中的临界性
利用普适性原理，我们可以将基于 3D Ising 模型的临界相关性嵌入到重离子碰撞的模拟数据中，从而通过动态边卷积的点云网络实现对具有临界波动的事件的识别和决策。
- D-Wave 量子处理器的下一代拓扑结构
本文介绍了 D-Wave 的下一代量子处理器拓扑结构，提供了嵌入算法的例子，并讨论了新拓扑与现有 Chimera 拓扑的性能比较。同时，对于简单的，标准的 Ising 模型问题，展示了一些初步的性能结果。
- 可微程序张量网络
本篇论文介绍了可微编程的概念，研究如何将张量网络算法编程为可完全微分，提出了稳定的张量分解自动微分方法和通过迭代固定点实现反向传播的技术，应用于 Ising 模型和 Heisenberg 模型，取得了较好的优化效果。
- Monge-Ampère 流在生成建模中的应用
本文提出了一种基于 Monge-Ampère 流的深度生成模型，应用于 MNIST 数据集的非监督密度估计和临界点下两维 Ising 模型的变分计算中，并将 Monge-Ampère 方程、最优输运和流体动力学中的一些见解和技术带入可逆流式 - 量子退火的质因数分解
使用可行的方法将整数因子分解问题转换为求解 Ising 模型，并在 D-Wave 2000Q 上测试，成功因子分解数值 15、143、59989 和 376289。
- 均场近似：信息不等式、算法和复杂度
本文提供了一种新的较优 KL 误差的均场近似上下界，并推广到高阶马尔可夫随机场。结合组合数学和优化技术，我们还研究了估计 Ising 模型及马尔可夫随机场自由能的算法问题。我们提供了多种算法，在多项式时间复杂度内误差均控制在某个界内。
- 神经网络重整化群
本文介绍了一种变分重整化群方法，使用基于归一化流的深度生成模型。该模型通过变量变换从物理空间到潜在空间进行分级，从而生成近似相互独立的潜在变量，同时具有精确和可处理的似然度。本研究展示了该方法在 Ising 模型中的互相独立的集体变量识别和 - 神经网络与重整化群流的尺度不变特征提取
基于玻尔兹曼机和伊辛模型，利用模型参数流的方式，研究深度神经网络特征提取的层次性以及与统计物理中重整化群的关系。通过分析训练后的玻尔兹曼机的权重矩阵性质，解释其向临界温度 $T_c=2.27$ 流动的原因以及学习提取自旋构型特征的方式。
- Ising 模型参数的联合估计
研究了通过一个 Ising 模型样本对具有非负耦合矩阵大小为 $n imes n$ 的 Ising 模型的逆温度和磁化参数 $(eta, B)$ 的联合估计。证明了当 $A_n$ 是受限度图的邻接矩阵时，估计速率为 $n^{-1/2}$ - NIPS应用于网络数据的 Ising 模型的多线性函数的浓度
该研究证明在高温下，Ising 模型的多项式函数具有近乎最佳的测度集中性，可用于测试社交网络中的相互作用强度，其尾巴呈指数形状，适用于任意阶多项式函数。
- 收缩 Ising 模型的多项式的浓度不等式
研究了 N 个自旋的度为 d 的多项式在单点 Glauber 动力学收缩的情况下的浓度，其中对于 d = 1，根据 Marton（1996）和 Samson（2000），凸 Lipschitz 函数的浓度的特殊情况是高斯浓度； 对于 d =