经典模型的解耦表示学习
强关联电子
2022-07-01 v2 统计力学
摘要
寻找解耦表示在现代深度学习应用的成功中起着主导作用，但相关结果缺乏直观的解释。在此，我们应用信息瓶颈方法及其 β-VAE 实现来寻找经典模型的解耦低维表示。对于伊辛模型，我们的结果揭示了脱耦特征与物理序参数之间的深刻联系，并且发现广泛使用的伯努利解码器在学习固定温度下的平均场哈密顿量。这一类比促使我们使用不同的解码器神经网络将 β-VAE 的应用扩展到具有非二元变量的更复杂经典模型，并提出一种改进的架构 β^2-VAE 以在生成样本中强制热涨落。我们的工作为设计新颖的物理信息算法提供了一条途径，该算法能够产生与真实物理性质潜在对应的学习特征。
引用
@article{arxiv.2110.08082,
title = {Learning disentangled representation for classical models},
author = {Dongchen Huang and Danqing Hu and Yi-feng Yang},
journal= {arXiv preprint arXiv:2110.08082},
year = {2022}
}
备注
10 pages, 7 figures, 2 tables