用表示学习量化远离平衡的多体学习
统计力学
2020-04-08 v2 无序系统与神经网络
生物物理
摘要
从肥皂泡到悬浮液到聚合物,远离平衡的多体系统会学习推动它们的驱动。这种学习已通过热力学性质(如功吸收和应变)观察到。我们超越了这些最初为平衡背景定义的宏观性质:我们用机器学习量化统计力学学习。我们的工具包依赖于我们在远离平衡的统计力学与表示学习(由包含瓶颈的神经网络经历,包括变分自编码器)之间识别出的结构平行性。我们通过无监督学习,对强驱动期间多体系统所采取的构型训练变分自编码器。我们分析神经网络的瓶颈以测量多体系统的分类能力、记忆容量、判别能力和新颖性检测。自旋玻璃的数值模拟说明了我们的技术。该工具包揭示了热力学度量无法检测的自组织,更可靠且更精确地识别和量化物质的学习。
引用
@article{arxiv.2001.03623,
title = {Quantifying many-body learning far from equilibrium with representation learning},
author = {Weishun Zhong and Jacob M. Gold and Sarah Marzen and Jeremy L. England and Nicole Yunger Halpern},
journal= {arXiv preprint arXiv:2001.03623},
year = {2020}
}
备注
8.5 pages, including 6 figures