迈向源自生成模型的有意义物理学
高能物理 - 格点
2017-05-29 v1 统计力学
机器学习
摘要
在若干物理系统中，表征系统本身的重要属性在理论上与特定的自由度相关联。尽管标准 Monte Carlo 模拟提供了一种有效工具来精确重构系统的物理构型，但它们无法隔离对应于不同自由度的不同贡献。在此我们表明，无监督深度学习可以成为 Monte Carlo 模拟的有效辅助，将相检测任务中的有用洞察与良好的重构性能相结合。作为测试平台，我们考虑了二维 XY 模型，展示了基于变分自编码器 (variational autoencoders) 的深度神经网络能够检测连续的 Kosterlitz-Thouless (KT) 相变，并且若赋予适当的约束，它们能生成具有有意义物理内容的构型。
引用
@article{arxiv.1705.09524,
title = {Towards meaningful physics from generative models},
author = {Marco Cristoforetti and Giuseppe Jurman and Andrea I. Nardelli and Cesare Furlanello},
journal= {arXiv preprint arXiv:1705.09524},
year = {2017}
}