用于非阿贝尔规范场设计的自推理助理学习
机器学习
2024-07-24 v1 介观与纳米尺度物理
人工智能
摘要
非阿贝尔编排因其在描述任何ons交换行为中起关键作用而引起广泛关注，其中输入和输出通过酉矩阵相连。在经典系统中实现编排可助力对非阿贝尔物理的实验探索。然而，非阿贝尔规范场的设计面临诸多挑战，这些挑战源于群结构、Lie代数性质、表示论、拓扑和对称性破坏之间的复杂相互作用。其极端的多样性使其成为研究凝聚态物理的强大工具。尽管数据驱动的人工智能方法在推动物理学发展方面取得了显著进展，但大多数作品仅限于数据到数据设计。本文提出一种自推理助理学习框架，能够直接生成非阿贝尔规范场。该框架利用前向扩散过程捕捉并再现目标分布中固有复杂模式和细节的连续变换。然后使用反向扩散过程使生成数据更接近原始情况的分布。因此，它拥有强大的自推理能力，能够自动发现特征表示并从数据集中捕捉更细微的关系。此外，自推理消除了对手动特征工程的需求，并简化了模型构建过程。我们的框架为解析复杂物理过程、从大数据集中自动发现模式提供了一种颠覆性的范式。
引用
@article{arxiv.2407.16255,
title = {Self-Reasoning Assistant Learning for non-Abelian Gauge Fields Design},
author = {Jinyang Sun and Xi Chen and Xiumei Wang and Dandan Zhu and Xingping Zhou},
journal= {arXiv preprint arXiv:2407.16255},
year = {2024}
}