基于迁移学习的重整化群与自编码器相似性探究
无序系统与神经网络
2022-11-30 v2 统计力学
摘要
物理学家对人工智能（AI）和机器学习（ML）领域抱有浓厚兴趣已有一段时间，尤其倾向于揭示学习过程核心的机制。特别是，探索神经网络（NN）的底层数学结构不仅有望帮助我们理解“学习”的认识论意义，还可能揭示大脑运作背后的秘密。在此，建立物理学核心领域所发展方法与 AI 和 ML 前沿技术之间的对应与类比颇具价值。尽管近期表明重整化群（RG）与深度学习（DL）之间存在映射的研究已展现出宝贵洞见，我们仍拟专门考察 RG 与自编码器（AE）之间的关系。我们将使用迁移学习（TL）将粗粒化过程嵌入神经网络，并通过一系列测试将其与编码-解码的底层机制进行比较。
引用
@article{arxiv.2108.06157,
title = {An Enquiry on similarities between Renormalization Group and Auto-Encoders using Transfer Learning},
author = {Mohak Shukla and Ajay D. Thakur},
journal= {arXiv preprint arXiv:2108.06157},
year = {2022}
}
备注
16 figures, 1 table, 4 figures in appendix