可视化机器学习：通过特征向量、克拉德尼图样与二维颗粒结构中的社区检测获得洞见
机器学习
2020-01-03 v1 软凝聚态物质
机器学习
摘要
机器学习（ML）正迅速成为一项强大的工具，在极其广泛的学科和商业活动中具有多样化应用。通常，ML被用作黑箱，对其输出鲜有启发性的解释。在当前工作中，我们旨在更好地理解无监督ML背后的通用直觉，重点关注物理系统。此处作为测试用例研究的系统包含六种不同复杂度的二维（2-D）颗粒系统。需注意，本研究的发现适用于任何无监督ML问题，并不限于材料系统。对六种所研究系统的邻接（连通性）矩阵采用了三种基础无监督ML技术：（i）利用邻接矩阵的主特征值与特征向量，（ii）谱分解，以及（iii）基于Potts模型的社区检测技术，其中最大化模块度函数。我们证明，在解决一个完全经典问题的同时，ML技术产生的特征与量子力学解明显相关。剖析这些特征有助于我们通过ML技术的万花筒理解经典非线性世界与量子力学线性世界之间的深层联系，这可能在物理科学和ML领域均产生深远影响。
引用
@article{arxiv.2001.00345,
title = {Visual Machine Learning: Insight through Eigenvectors, Chladni patterns and community detection in 2D particulate structures},
author = {Raj Kishore and S. Swayamjyoti and Shreeja Das and Ajay K. Gogineni and Zohar Nussinov and D. Solenov and Kisor K. Sahu},
journal= {arXiv preprint arXiv:2001.00345},
year = {2020}
}