SU(3)
PulseAugur coverage of SU(3) — every cluster mentioning SU(3) across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型Hopfield网络利用SU(d)群实现容量提升10倍
研究人员推出了一种广义Hopfield网络，该网络利用黎曼流形上的连续变量，特别关注与特殊酉群SU(d)相关的对称空间。这种新方法在临界容量方面表现出显著增强，比传统向量网络高近一个数量级，并且容量随d迅速增长。该方法采用李代数方法在辅助希尔伯特空间内的线性代数中描述网络，通过与顶部特征向量对齐实现记忆检索，这种方法比其他连续模型更不易受到串扰的影响。论文通过RGB图像编码/解码协议说明了这一点，并讨论了使用广义Landau-Lifs…
-
Interpretable Neural Networks Leverage Nuclear Symmetries for Mass Prediction
研究人员开发了三种新颖的神经网络模型—FINN、GINN和WINN—来探索核对称性并预测核质量。这些模型在AME2016上训练，并在AME2020数据上进行验证，证明了结合Wigner的SU(4)对称性可以显著降低预测误差。特别是WINN模型，实现了0.430 MeV的低均方根误差，可与最先进的方法相媲美，并提供了对核物理的见解，例如中子滴线附近对称性的恢复以及超重核的行为。
-
量子熵估计对小型系统使用VQAs，对大型系统使用CNNs
研究人员探索了使用变分量子算法（VQAs）和经典卷积神经网络（CNNs）在多量子比特量子系统中进行熵估计。对于较小的系统（最多三个量子比特），VQAs表明精度主要取决于可训练参数的数量。对于较大的系统（两个到五个量子比特），在测量结果上训练的CNN在准确性和稳定性方面表现出预测能力，并且随着系统尺寸的增加，性能有所提高。对于四到五量子比特系统的准确预测，CNN方法被证明对噪声具有鲁棒性，并且比完整的状态层析成像需要更少的测量。
-
AI扩散模型成功采样SU(N)晶格规范理论
研究人员开发了一种能够采样SU(N)晶格规范理论的扩散模型，这是计算物理学的一项重大进展。该隐式分数匹配框架已成功应用于二维和四维的SU(3)规范构型，生成的样本可与混合蒙特卡洛模拟相媲美。研究强调了使用预测-校正方案进行精确积分的必要性，并引入了一种汉密尔顿分子动力学校正器，该校正器以增加计算成本为代价提高了采样质量。