魔改CNN揭秘宇宙大爆炸:物理学的核心是对称性
博雯 发自 凹非寺
量子位 | 公众号 QbitAI
宇宙大爆炸刚刚发生的那几秒是什么样的?
这可以说是物理学领域中最复杂的问题之一了,就以大爆炸刚刚发生的几百万分之一秒内,宇宙的一种特殊的存在形态为例。
这是一种超高温下的“完美液态”,对探索宇宙本源物质的结构和环境有着及其重大的意义。
在实验室中,必须要在15万倍太阳中心温度的严苛环境下才能成功模拟这一形态。
要对这这种高度复杂的物理学形态进行分析或处理,超级计算机需要极长的时间逼近其形态,经典的AI或CNN也很难基于其中的物理学概念作出有意义的解释。
但现在,物理学顶刊PRL上的一篇论文提出了一种叫做L-CNN的新型神经网络结构,很好地解决了上面的问题:
如何处理规范不变量
在我们深入了解L-CNN的结构之前,先来明确一个事实:
传统AI和CNN做不到的任务到底是什么?
以开头提到的“完美液态”为例,这种形态是指在极高能量和温度下,质子和中子被拆解,并重新结合成一种叫做夸克胶子等离子体(QGP)的新型物质形态。
(最初物质形成之前的整个宇宙都是这种形态)
当引入AI对QGP形态进行分析和解构时,就必须要考虑其规范对称性 (Gauge Symmetry)。
规范对称性是指用不同方法描述同一件事件,比如,我们可以用一对相位和电磁场势描述一个电子-光子系统,也可以用另外一对来描述,这两个描述应该给出同一个物理实质。
而物理量都是规范不变的,因此,看上去用不同的数学方式描述的粒子场及其相互作用力,或许实际上就是相同的物理状态。
传统CNN很难计算或分析这些规范不变量,自然就无法得到有意义的计算机模拟结果。
而开头提到的新方法L-CNN全名格点规范等变(Lattice Gauge Equivariant)神经网络,是一种全新的,可以对传统CNN无法处理的规范不变量进行计算或分析的方法。
整个方法是基于格点规范场论 (Lattice gauge theory)实现的。
在格点上,规范不变量通常是以不同形状的威尔逊环 (Wilson Loop)来进行描述。
具体的,加入一个新的卷积层,能在连续的双线性层中形成任意形状的威尔逊环,同时保留规范等价性(Gauge Equivariance)。
而所有可收缩的威尔逊环的集合都可以通过上述方法生成,再加上来自非收缩环路的拓扑信息,原则上就可以重构所有的规范连接。
有了这样的神经网络,就有可能对多个物理学的复杂系统进行预测。
论文作者Andreas Ipp还用夸克胶子等离子体举了个例子:
比如,L-CNN不用详细计算每一个中间步骤,就能估计夸克胶子等离子体在以后某个时间点的样子。
同时,它也能确保系统只产生与规范对称不矛盾的结果,也就是至少在原则上有意义的结果。
这是以前所有的计算方法都很难做到的,L-CNN无疑为模拟复杂物理现象提供了一种新思路。
未来,它还会为探索生命体最初瞬间存在的环境、理解宇宙中物质的本源状态,以及黑洞、大统一理论的研究提供更多的帮助。
作者介绍
论文共有四位作者,都来自维也纳科技大学(TU Wien)的理论物理研究所。
其中右下角为论文的通讯作者David I. Müller,为维也纳科技大学理论物理研究所的博士后,主要研究领域为高能物理学、格点规范场、机器学习。
论文:
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.128.032003
参考链接:
https://www.eurekalert.org/news-releases/941106
魔改CNN揭秘宇宙大爆炸:物理学的核心是对称性相关推荐
- 【网络结构】小议如何跳出魔改网络结构的火坑
公众号关注 "ML_NLP" 设为 "星标",重磅干货,第一时间送达! 机器学习算法与自然语言处理出品 @公众号原创专栏作者 纵横 知乎专栏 | 机器不学习 引 ...
- 推荐!小议如何跳出魔改网络结构的火坑(完整版)
点击我爱计算机视觉标星,更快获取CVML新技术 本文原载于知乎,已获作者授权转载,请勿二次转载, https://zhuanlan.zhihu.com/p/108838471 昨天发布过上半部分,不少 ...
- 文本生成魔改方案汇总!
文 | 三和厂妹 编 | zenRRan 文本生成是NLP中较难的点,应用场景多且广泛.本篇笔记录一下文本生成的应用场景和主流方案,主要是基础的学习汇总和解决方案的梳理,相关学习资料在文中有链接或者文 ...
- 别魔改网络了,Google研究员:模型精度不高,是因为你的Resize方法不够好
作者丨小马 编辑丨极市平台 本文原创首发于极市平台公众号,转载请获得授权并标明出处. [写在前面] 尽管近年来卷积神经网络很大地促进了计算机视觉的发展,但一个重要方面很少被关注:图像大小对被训练的任务 ...
- 用最简单的方式训练史上最强ResNet-50,性能超过魔改结构的ResNeSt
近日,CMU 的研究人员在 arXiv 上放出了一份技术报告,介绍他们如何通过蒸馏(distillation)训练一个强大的小模型.所提出方法使用相同模型结构和输入图片大小的前提下,在 ImageNe ...
- 魔改和上线你的合成大西瓜,最全教程!
本文是从 0 到 1 的教程,让小白也能够魔改和上线发布属于你的合成大西瓜! 最近,一款名为『 合成大西瓜 』的游戏突然火了!看来真的是大家吃瓜吃太多了,这个小游戏深抓人心! 当然,游戏本身非常有趣, ...
- 小议如何跳出魔改网络结构的火坑
点击我爱计算机视觉标星,更快获取CVML新技术 本文原载于知乎,已获作者授权转载,请勿二次转载, https://zhuanlan.zhihu.com/p/108838471 引言 0202 年,CV ...
- 冰蝎各版本工具分析与魔改思路
0x00 V2版本 1. 项目 github项目:https://github.com/rebeyond/Behinder/releases/ V2 源码:https://github.com/hkt ...
- 行情平淡期做市商如何刷量 说一个网格策略魔改高频刷单策略的思路
行情平淡期做市商如何刷量 说一个网格策略魔改高频刷单策略的思路 本文介绍一个牛熊市都能稳定开跑的刷量方法,只要行情有波动就有量,平淡期也能做出一定程度的量,给大家参考. 这个方法就是用网格策略来刷量. ...
最新文章
- 机器学习实战-神经网络-21
- gcc版本降级/升级
- [react] 在React中组件的state和setState有什么区别?
- 高并发服务器开源项目,百万级高并发WebRTC流媒体服务器设计与开发(示例代码)...
- vs2008 调试时不会命中断点,源代码与原始版本不同,解决办法
- 【Kafka】Kafka创建Topic的时候提示WARNING: Due to limitations in metric names, topics with a period ('.')
- java swt designerpdf_eclipse学习笔记!(4) ----- SWT Designer 下 SWT常用组件
- 设计一款编程语言有多难?Ruby 创始人揭秘
- Java的GUI学习七(鼠标事件)
- 海康威视错误代码说明(一)(错误代码:1~14)
- asp.net验证码【潇潇雨兮】
- GDT 培训 | 模拟第一基准,第二基准和第三基准的拟合
- LabVIEW图表之双坐标轴
- 程序员的忧桑:有人向你反馈了一个Bug!
- 网络编程-procmon
- pywin32处理Excel
- Franka Emika 机械臂在ROS下控制
- 北美电影票房Top10-2020年1月3日:《星战9》帽子戏法
- DNA配对找对象?为了让年轻人结婚生孩子,日本有多拼?
- 单机java_java实现单机版五子棋小游戏