statistical mechanics
PulseAugur coverage of statistical mechanics — every cluster mentioning statistical mechanics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新物理模型揭示熵产生率的普适定律
研究人员开发了一种通过分析定向游走来量化复杂系统不可逆性的新方法。该方法揭示了一个普适的平方根定律，该定律控制着熵产生率，独立于特定的网络拓扑或谱密度。这些发现适用于多元Ornstein-Uhlenbeck动力学，并提供了关于相互作用网络如何产生熵的见解。
-
新框架详细阐述了有限设备中学习的热力学
研究人员提出了一个理解有限设备中学习的新框架，区分了设备已记录的内容和未来有价值的内容。该框架将学习分为四个组成部分：训练端拟合、记录相关性储备、更新端搜索账本和操作资本价值。研究详细说明了记录相关性在资本价值不相应增加的情况下增加的条件，并提供了任务分布变化下资本化效率和价值保留的恒等式。这些发现侧重于有限设备价值保留而非统计泛化。
-
Neural network generalization near interpolation analyzed via statistical mechanics · 2 sources tracked
两篇新的arXiv论文探讨了具有广泛宽度的浅层神经网络在插值阈值附近的泛化能力。该研究使用统计力学分析了这些网络，揭示了在泛化误差独立于权重分布的通用阶段和泛化误差依赖于权重分布的专业化阶段之间存在一个相变。研究结果表明，虽然在插值附近存在高度预测性的解，但由于统计-计算差距，实际算法可能难以找到它们。
-
源自自旋玻璃的Hopfield模型为人工智能教学提供新路径
一篇新发表在arXiv上的论文探讨了源自自旋玻璃概念的Hopfield模型，将其作为教授人工智能和统计力学的教学工具。作者包括Mauricio Girardi-Schappo，他们提议将该模型纳入本科物理课程，以统一能量函数、动力学和模式稳定性等核心概念。该论文还提供了模拟代码，并为学生提出了模拟实践研究的问题。
-
新研究通过球形分解和统计力学探索高斯混合模型
两篇新研究论文从不同的分析视角探讨了高斯混合模型（GMM）。第一篇论文介绍了一种使用球形径向分解的方法，将GMM概率函数表示为欧几里得球体上的积分，并建立了可微性条件和梯度表示。第二篇论文将统计力学应用于GMM和非参数最大似然估计（NPMLE），提供了改进的稳定性保证，并深入探讨了NPMLE与随机能量景观中的混沌等概念之间的关系。
-
统计力学用于解释机器学习和记忆
本论文使用统计力学的工具，探讨机器学习和人工神经网络的理论基础。旨在增进对这些系统如何学习和记忆数据的理解，重点关注隐式低维学习结构和对抗性攻击的理论基础。研究调查了密集联想记忆和受限玻尔兹曼机，以分析不同的学习和记忆模式。
-
新研究通过随机热力学构建生成模型
一篇新论文探讨了随机热力学在基于SDE的生成模型（如扩散模型和薛定谔桥）中的应用。该研究引入了功、热量和熵产生的轨迹层面定义，以及一个广义的Jarzynski恒等式和一个类似第二定律的不等式。这个热力学框架将现有设置扩展到处理随时间变化的浴温度和非保守力，为这些生成模型提供了非平衡统计力学的新视角。
-
对机器学习中归一化常数估计的新的复杂性分析
研究人员开发了一个新的理论框架，用于分析概率分布中归一化常数估计的复杂性。这项工作侧重于退火重要性采样方法，提供了非渐近分析，在达到指定的相对误差时，其预言机复杂性为 \(\\widetilde{O}(\frac{d\beta^2{\mathcal{A}}^2}{\varepsilon^4})\)。该分析利用Girsanov定理和最优传输，避免了显式的等周假设。此外，还提出了一种使用反向扩散采样器的新算法来处理大作用量和多模态问题，并…