Ising model
PulseAugur coverage of Ising model — every cluster mentioning Ising model across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
基底旋转影响神经量子态性能
一篇新的arXiv论文探讨了基底旋转如何影响神经量子态（NQS）的性能。研究人员使用伊辛模型证明，这些旋转会改变优化景观，可能导致鞍点和高曲率区域的出现。这种几何位移会导致低能量误差与不准确的波函数结构共存，表明即使目标状态可表示，优化失败也可能持续存在。
-
AI框架利用注意力机制识别物理对称性
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研究探索物理和代数以提高神经网络效率
两篇新研究论文探讨了将物理先验和代数洞察力融入神经网络，以提高其效率和性能。第一篇论文介绍了利用概率先验的变分自回归网络，减少了像伊辛模型这样的离散自旋模型的训练负担。第二篇论文提出了一种通过将群的正则表示作为归纳偏置来近似等变网络的无参数方法，其性能与专用模型相当或更优。
-
AI模型学会反转重整化群以进行物理模拟
研究人员开发了最小的神经网络，能够反转二维Ising模型中的重整化群粗粒化过程。这些网络能够概率性地重建尺度不变分布，并以少至三个可训练参数生成临界构型。模型成功地重现了可观测量值的标度行为，并捕获了重整化群变换的非平凡特征值，这表明简单的局部规则可以编码临界现象的普适性。
-
使用Transformer对二维自旋系统进行采样
研究人员开发了一种新颖的基于Transformer的方法来对二维自旋系统进行采样，解决了Transformer在该领域常见的效率低下问题。他们的方法在每一步生成一组自旋，并利用近似概率来提高效率。该技术可以对更大的系统进行采样，例如 $180 imes 180$ 的Ising模型，并且与以前最先进的神经网络采样器相比，显示出更大的有效样本量。