statistical physics
PulseAugur coverage of statistical physics — every cluster mentioning statistical physics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
生成模型增强蒙特卡洛采样技术 · 2 篇论文
两篇最新的 arXiv 论文探讨了使用生成模型来增强复杂概率分布中采样技术的应用。第一篇论文介绍了一种面向 Lévy 驱动生成模型的生成器引导逆采样方法，将逆过程分解为扩散、小跳跃和大跳跃分量，以提高可解释性和可控性。第二篇论文回顾了使用生成模型（如归一化流和扩散模型）辅助蒙特卡洛采样的兴起范式，特别适用于高维和多模态分布，为物理学和机器学习研究人员提供了教程。
-
深度学习理论将特征检测与相变联系起来
研究人员开发了一个深度学习的理论框架，并将其与统计物理学进行类比。通过将正则化强度视为外部参数，他们识别出一系列相变，这些相变对应于可学习特征的检测。这项工作为这些相变与损失景观的几何形状之间提供了严格的联系，并提供了一个平台，利用统计物理学的概念来推进深度学习的科学理论。
-
新型玻尔兹曼生成器解决统计物理中的无定形材料问题
研究人员开发了一种新型玻尔兹曼生成器，专门用于处理无定形材料。由于其无序结构，从无定形材料中采样平衡态一直是一个难题。该新颖框架将等变性直接集成到黎曼随机插值中，并利用等变图神经网络来处理周期性边界条件和粒子对称性。虽然该方法通过强制执行物理对称性提高了准确性，但也凸显了连续流生成模型在统计力学中的一个根本限制：累积的数值误差会损害精确的热力学重加权，这表明需要替代方法。
-
Siamese神经网络预测3D渗流模型中的临界现象
研究人员开发了一种新颖的Siamese神经网络（SNN），旨在用于3D渗流模型中标签高效的临界现象预测。该框架使用最少的标记数据即可准确识别相变和临界指数，甚至无需重新训练即可泛化到不同的晶格结构。SNN能够自主学习量化团簇大小，证明了其在显式序参数未定义的稀疏数据环境中进行临界性检测的潜力。
-
新的物理模型捕捉预测性主体行为
已开发出一种新的统计物理学框架，用于模拟“预测性主体”的动力学，这些主体根据预期的未来状态而非仅根据过去或现在的条件来采取行动。该模型将预测性主体的动力学映射到一个更高维度的链条，可以重现拥挤环境中行人运动等复杂的现实场景。这项发表在 arXiv 上的研究为将额外的行为机制纳入基于主体的模型提供了灵活的基础。
-
深度学习训练与统计物理 RG 方法相关联
研究人员在深度学习训练与统计物理学的重整化群（RG）方法之间建立了理论联系。他们的工作表明，对于指数族内的连续数据分布，全连接深度神经网络的最优参数对应于 RG 方法的固定点。这种等价性表明，DNN 从数据中提取关键特征的方式类似于 RG 计算，从而解释了它们在真实数据集上的有效性。