通过解释连体神经网络发现对称不变量与守恒量
计算物理
2020-09-30 v4 无序系统与神经网络
机器学习
摘要
在本文中，我们将用于相似性检测的可解释连体神经网络（SNN）引入理论物理领域。更确切地说，我们将SNN应用于狭义相对论中的事件、电磁场的变换以及中心势中粒子的运动。在这些例子中，SNN学会识别属于同一事件、场构型或运动轨迹的数据点。结果表明，在学习哪些数据点属于同一事件或场构型的过程中，这些SNN也学习了相关的对称不变量与守恒量。这些SNN具有高度可解释性，使我们能够在无需先验知识的情况下揭示对称不变量与守恒量。
引用
@article{arxiv.2003.04299,
title = {Discovering Symmetry Invariants and Conserved Quantities by Interpreting Siamese Neural Networks},
author = {Sebastian J. Wetzel and Roger G. Melko and Joseph Scott and Maysum Panju and Vijay Ganesh},
journal= {arXiv preprint arXiv:2003.04299},
year = {2020}
}