PulseAugur
中
实时 11:45:19
English(EN) Attention-based optimizer for symmetry finding

AI框架利用注意力机制识别物理对称性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的优化框架，该框架利用具有自注意力机制的Set-Transformer架构来识别物理模型中的对称性。这种基于机器学习的方法对Pauli-Strings之间的相关性进行编码，以提出候选对称性，然后使用定制的基于对易的客观函数进行优化。该方法在Ising模型和Toric code等物理哈密顿量上表现出高成功率，优于现有策略，并在随机Pauli哈密顿量的计算资源估算方面具有优势。 AI

影响 为科学发现引入了一种新颖的机器学习方法，有望加速量子物理和其他领域的研究。

排序理由 该集群包含一篇学术论文，详细介绍了使用机器学习寻找对称性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shreya Banerjee, Vinodh Raj Rajagopal Muthu, Charlie Nation, Rick P. A. Simon, Francesco Martini, Alessandro Ricottone, Federico Cerisola, Luca Dellantonio ·

    Attention-based optimizer for symmetry finding

    arXiv:2605.30429v1 Announce Type: cross Abstract: Finding symmetries is crucial for understanding physical models. In this work, we present an optimization framework that searches Pauli symmetries of Hamiltonians, merging the fields of machine learning with automated symmetry fin…

相关实体

相关话题