回帰不確実性からの相転移の学習:物質相の自動検出のための新しい回帰ベース機械学習アプローチ【JST・京大機械翻訳】

Guo Wei-Chen; He Liang

プレプリント

J-GLOBAL ID：202202212962314920 整理番号：22P0303105

回帰不確実性からの相転移の学習:物質相の自動検出のための新しい回帰ベース機械学習アプローチ【JST・京大機械翻訳】

Learning phase transitions from regression uncertainty: A new regression-based machine learning approach for automated detection of phases of matter

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月12日プレプリントサーバーでの情報更新日： 2023年11月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

様々な物理問題に含まれる回帰タスクを実行するために,回帰結果の不確実性を精度向上または等価的に低減することは,中心目標の1つに疑いがない。ここでは,いくつかの驚くべきことに,逆統計問題の回帰タスクの実行における好ましくない回帰不確実性が,実際にシステムの相転移に関する隠れ情報を含むことを見出した。この隠れ情報を利用して,著者らは,回帰不確実性から,物質の位相の自動検出のための新しい教師なし機械学習アプローチを開発した。これは,システムの回帰不確実性と応答特性の間の固有接続を明らかにすることによって達成され,従って,この機械学習アプローチの出力を,物理学の従来の概念によって直接解釈できる。強磁性Isingモデルと3状態クロックモデルの臨界点を同定し,6状態と7状態クロックモデルにおける中間相の存在を明らかにする。これまでに開発された広く使用された分類ベースのアプローチと比較して,それらの認識されたクラスのパターンは基本的に抽象的であり,それは物理学の従来の概念とのそれらの直接的関係を妨げる。これらの課題は,分類タスクで優れている最先端の深層ニューラルネットワークを使用するときでも持続する。対照的に,回帰タスクを実行するニューラルネットワークであるコアワーキングウマでは,この新しいアプローチは実用的に効率的であるだけでなく,物理的に解釈可能な方法で機械学習を介して新しい物理学を開示するための興味深い可能性に向けた道を開く。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る