基于先验知识条件化的表示学习中的物理发现：在铁电畴动力学中的应用

电子、扫描探针、光学及化学成像与光谱学的最新进展产生了包含复杂系统结构与功能信息的定制数据集。在许多情况下，所得数据集由编码数据内变异因素的低维简单表示支撑。表示学习方法旨在发现这些变异因素，并理想地将其与相关物理机制相联系。然而，通常识别对应于实际物理机制的潜变量的任务极为复杂。在此，我们探索一种基于将数据 conditioning 于已知（连续）物理参数的方法，并与先前提出的基于不变变分自编码器的方法进行系统比较。条件变分自编码器（cVAE）方法不依赖于不变变换的存在，因而具有更大的灵活性与适用性。有趣的是，cVAE允许在条件变量原始定义域之外进行有限外推。然而，与真实物理机制已知且物理变异因素可完全解耦的情况相比，此外推有限。我们进一步表明，若条件向量与数据中的变异因素相关，引入已知条件化会简化潜变量分布，从而分离出相关物理因素。我们首先在合成数据集上用一维和二维示例演示该方法，随后将其推广至通过压电响应力显微镜观测的铁电畴动力学实验数据分析。