将遍历系统的间接测量映射到涌现性质的统计学习框架
数据分析、统计与概率
2023-07-21 v1
摘要
新实验技术的发现往往滞后于当代理论理解。特别地，在缺乏对所关注底层系统的解析描述时，难以建立适当的测量协议。这里我们提出一个统计学习框架，可避免对遍历系统此类描述的需求。我们通过使用蒙特卡洛模拟和深度神经网络来学习低场核磁共振谱与乙醇-水混合物中质子交换速率之间的映射，从而验证该框架。我们发现训练后的网络对低于 150 s-1 的交换速率呈现小于 1% 的归一化均方根误差，但在该范围以上表现不佳。这种差异性能的发生是因为在低场下测量在快速交换时彼此不可区分。尽管如此，在间接测量与涌现动力学之间存在可发现关系之处，我们展示了无需精确解析描述即可逼近该关系的可能性，从而使实验科学在持续的理论工作中蓬勃发展。
引用
@article{arxiv.2307.10494,
title = {A statistical learning framework for mapping indirect measurements of ergodic systems to emergent properties},
author = {Nicholas Hindley and Stephen J. DeVience and Ella Zhang and Leo L. Cheng and Matthew S. Rosen},
journal= {arXiv preprint arXiv:2307.10494},
year = {2023}
}