機器學習或將能夠解決時空問題

2020-12-05 電子發燒友

機器學習或將能夠解決時空問題

佚名 發表於 2020-03-27 15:42:52

（文章來源：網絡整理）

神經網絡能夠以一種流行的方法進行重要的計算，以統一廣義相對論的量子力學。

去年，令人驚嘆的發現是，事件地平線望遠鏡向世界展示了黑洞陰影的第一個視圖。但是黑洞內部到底發生了什麼？廣義相對論會告訴我們，黑洞是時空的奇點，這是與量子力學的模糊性不符的數學特徵。如果科學家想了解黑洞內部發生了什麼，他們將不得不統一這兩種理論。到目前為止，引力量子理論最流行的提法是弦論。然而，主要的難題是量子力學波函數的計算過於複雜。加利福尼亞史丹福大學的Xixi Han和Sean Hartnoll的新作品，1 ]。他們的研究結果為利用計算方法探索引力的量子性質開闢了一條新途徑，使理論家可以對引力進行「實驗」。

愛因斯坦的夢想是將廣義相對論和量子力學統一為一切理論。在弦理論家中，實現這種統一的最有希望的途徑是某些弦引力理論和相互作用自由度（例如粒子）的某些量子（規範）理論之間的一種猜想的「對偶性」 [ 2]。對偶性聯繫了兩個描述看似完全不同的物理系統的理論，就像字典將兩種語言的詞和概念聯繫在一起一樣。物理學家發現這種聯繫極為有用，因為他們可以用另一種（雙重）系統的潛在「更簡單的語言」解決與一個系統有關的難題。儘管規範重力對偶性是一個推測，但它已經顯示出可以在特殊情況下使用「易」和「難」兩種方式計算相同屬性的情況[ 3 ]。

表層重力對偶性如何使我們更接近了解量子尺度的時空？答案是，對偶性使我們能夠根據量子對象的集體行為來描述黑洞的幾何形狀（其時空形狀）。然後，我們可以嘗試了解時空的幾何形狀是如何從微觀自由度出現的。該計劃中的難題在於，描述對偶性的量子面涉及禁止性的計算。因此，弦理論家正在集成其他學科（例如計算機科學和統計學）的新計算工具。

這種方法是Han和Hartnoll的新工作的精神，他們使用神經網絡精確地描述了一個量子對象系統，該系統雖然經過簡化，但捕獲了時空幾何的基本特性（圖1）。更具體地說，他們找到了這個多體系統的基態波函數，從中可以從第一原理確定系統的所有特性。眾所周知，計算這樣的波動函數很困難，因為波動函數是如此複雜。而且，計算它的最佳方法通常取決于波函數的數學形式，這對於與規範重力對偶有關的系統是未知的。

Stanford duo的方法基於2016年的一篇開創性論文[ 4 ]，該論文顯示了使用人工神經網絡發現多體波函數的潛力。通常，神經網絡接受輸入，對其進行一系列數學運算，然後吐出一個數字。對於許多熟悉的應用程式，神經網絡使用數據進行「訓練」以識別輸入（例如面部）。然而，在尋找量子系統的波動函數時，人們依靠網絡的內在函數來表示試驗波動函數並計算系統的能量，這依賴於單獨的迭代方案來選擇產生較低能量值的「較好」波動函數。

Han和Hartnoll採用這種方法，採用了現代神經網絡來表示由所謂的mini-BMN模型描述的量子系統的波函數。該模型使用三個矩陣來表示系統的基本自由度及其相互作用[ 5 ]。它是模型的較小版本，實際上是對黑洞附近的時空的字符串理論描述的雙重說明，黑洞有9個矩陣。

研究人員已經能夠使用諸如隨機蒙特卡洛模擬[ 3 ]的方法來估計與微型BMN相關的可觀測物。但是這些方法計算量很大，並且無法直接訪問波動函數或幾何屬性（儘管存在可能的解決方法[ 6]）。使用神經網絡，Han和Hartnoll能夠有效提取具有足夠信息的近似波函數，以描述先前未探索的量子狀態下的重力。

首先，研究人員將量子波函數定義為迷你BMN理論矩陣上的參數化概率分布。然後，他們使用一個迭代過程來找到使系統能量最小的參數。這種「訓練過程」就像將一桶沙子搖晃到水平為止：每次搖晃，穀物都會重新排列成新的形狀，從而消除了一些顛簸，並使沙子平整。類似地，優化程序在一系列分布中選擇產生「最佳」基態波函數的參數。由於他們將神經網絡基於所謂的深度生成流[ 7]，研究人員可以有效地採樣許多不同的複雜波函數，並找到最準確的基波函數。

為了對它們的波動函數進行基準測試，Han和Hartnoll使用它來計算半經典狀態中的某些可觀測值，在此可將它們的結果與現有的計算結果進行比較。例如，它們恢復了弦論中預測的新興幾何特性，例如模糊球體狀態的存在。他們還可以描述這些狀態的量子糾纏，這是量子引力的關鍵元素。

如前所述，微型BMN理論僅在規範重力對偶性中描述了實際量子系統的較小版本。但是Han和Hartnoll引入了一個強大的計算工具來提取幾何特性，這確實令人鼓舞。該工具可以用作未來為量子引力設計的神經網絡算法的基準，既然它們的潛力很明顯，可以期望更多的方法。計算機科學中的算法以驚人的速度得到了改進。如果同樣的進步延續到物理科學[ 8]，科學革命即將進行。當然，機器學習不是魔術，它僅適用於某些種類的輸入，因此僅適用於某些問題。但這是一個重要的工具，可讓科學家滿足對未知事物的好奇心。從將夸克和膠子限制為質子到時空的出現，量子場論中一些最大的開放性問題都可以從機器學習工具中受益。
     （責任編輯：fqj）

打開APP閱讀更多精彩內容

聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴

相關焦點

  • 一個框架解決幾乎所有機器學習問題
    上周一個叫 Abhishek Thakur 的數據科學家，在他的 Linkedin 發表了一篇文章 Approaching (Almost) Any Machine Learning Problem，介紹他建立的一個自動的機器學習框架，幾乎可以解決任何機器學習問題，項目很快也會發布出來。
  • 如何解決蟲洞不穩定問題？科學家認為：五維時空可以解決
    我們知道，目前蟲洞面臨的巨大問題，除了是否真正存在之外，就是穩定性的問題了。現有理論認為，蟲洞出現的瞬間就會馬上消失，根本來不及讓任何物體通過，其根源就在於其恐怖的引力。因此，如何解決引力的問題，就是維持穩定蟲洞的關鍵。
  • VGGNet vs ResNet:機器學習中的梯度消失問題
    這是人工智慧和機器學習領域的一個常見面試問題。雖然答案可以在網上找到，但一直還沒能找到一個簡明扼要的答案。我們將從什麼是VGGNet開始，然後看看VGGNet遇到了什麼問題，以及ResNet如何解決它。VGGNetVGG代表Visual Geometry Group(牛津大學的一組研究人員開發了這個架構)。VGG架構由塊組成，每個塊由2D卷積和最大池化層組成。
  • 量子計算機將如何革新人工智慧，機器學習和大數據
    如果我們將能夠處理我們生成的大量數據並解決非常複雜的問題，那將至關重要。成功的關鍵是將現實世界中的問題轉化為量子語言。我們數據集的複雜性和大小增長速度快於我們的計算資源，因此對我們的計算結構造成了很大的壓力。儘管當今的計算機苦苦掙扎或無法解決某些問題，但希望通過量子計算的力量在幾秒鐘內解決這些相同的問題。
  • 只要解決重力問題，我們就能人造蟲洞來穿越時空？
    在大眾的認知中或許是穿越時空的突破口，無論是穿越時間還是穿越時空。但蟲洞到達目前為止依舊是個未解之謎，那他真實存在嗎？如何找到蟲洞呢？讓我們跟著西瓜視頻創作人「獨孤軒轅策」看一看。但是目前科學家也無法精確的算出銀河系中心的位置，所以找到那個所謂的蟲洞也將是很困難的。
  • 變形蟲將成為未來派計算機 能夠解決複雜計算問題
    日本慶應義塾大學研究員Masashi Aono帶領研究小組使用變形蟲解決了一個被稱為「旅行推銷員問題(TSP)」的流行性難題。伴隨著城市數量的增加，由於優化最短路線的可能性解決方案眾多，傳統計算機解決該問題所需的時間呈指數級增長。例如：對於4個城市，可能只有3 條可能存在的最短路線，但對於8個城市而言，最短路線解決方案可能呈指數級增長，可達到2520條。
  • 機器學習與深度學習有什麼區別?
    作為人工智慧的核心技術，機器學習和深度學習也變得越來越火。一時間，它們幾乎成為了每個人都在談論的話題。那麼，機器學習和深度學習到底是什麼，它們之間究竟有什麼不同呢？　什麼是機器學習？機器學習(Machine Learning，ML)是人工智慧的子領域，也是人工智慧的核心。它囊括了幾乎所有對世界影響最大的方法(包括深度學習)。
  • 數學,解決實際問題的一把鑰匙
    在一個多月前，當得知我們團隊有幸獲得了今年全國大學生數學建模競賽的最高榮譽——「高教社杯」榮譽時，我們既感到十分激動，同時也希望能夠將我們的經驗分享，幫助到更多的同學。順著這個目標導向，我們最終確定該問題的本質就是一個「分類預測+最優策略」問題。對於分類預測問題，現有的各類機器學習算法可以有比傳統統計模型更好的表現，而最優策略問題可以通過規劃模型進行求解，就這樣，我們整道題目的解決思路便逐漸清晰起來了。最終我們選擇以一種機器學習算法作為核心算法構建企業信貸風險評估模型，這樣既保證了模型的求解效果，同時又體現了模型的創新性。
  • AI 將非洲人標記為大猩猩:機器學習之路還有多長?
    隨著人工智慧（AI）與機器學習技術的日益成熟，它們被用於解決複雜問題的潛力也逐漸顯現出來，我們甚至有點兒期待，希望機器人能在人類失敗的領域取得突破，即在決策時拋開個人偏見。但是最近出現的許多案例顯示，就像所有顛覆性技術那樣，機器學習被引入的同時，也出現了許多意想不到的挑戰，有時候甚至產生錯誤、令人討厭的、冒犯性的後果，與人類社會信奉的道德和倫理標準截然不符。這些故事聽起來可能很有意思，但它們卻促使我們反思AI技術對未來產生的影響。將來，機器人和AI將承擔起更重要的責任，甚至將為它們做出的錯誤決定負責。
  • 數據科學和機器學習面試問題集錦
    在過去的幾個月裡，我面試了許多公司涉及數據科學和機器學習的初級職位。介紹一下我自己，以讓你對我有一定了解。我還有最後幾個月就研究生畢業，我的碩士是機器學習和計算機視覺，我之前的大部分經驗是研究/學術，但在一個早期創業公司待過8個月(與機器學習無關)。這些角色包括數據科學、通用機器學習和專精自然語言處理及計算機視覺。
  • 人工智慧將小豬認成飛機？姚期智：機器學習存在脆弱不穩定性
    人工智慧對科技界和人類社會產生了重大改變，但是否能夠解決所有難題？10月22日，在2020年浦江創新論壇開幕首日，圖靈獎首位亞裔科學家、中國科學院院士姚期智介紹了人工智慧的技術瓶頸問題，其中包括機器學習目前存在脆弱不穩定性、機器學習缺乏社會透明度以及人工智慧的隱私保護問題等
  • 機器學習才不只是統計學的美化!
    此外，在圖像處理的情況下，將像素作為特徵，將圖像作為數據集的處理方式也只不過是開始時的延申。當然，這並非意味著機器學習的發展就全都歸功於計算機科學家，而非統計學家。像任何研究領域一樣，機器學習今天的成功是多個學術領域共同努力的結果，而統計學和數學則是貢獻最大的領域。
  • 機器學習在領英的規模化應用
    這篇文章將討論領英如何規模化利用技術，幫助更多工程師提升機器學習的效率。近日，領英中國機器學習研發經理李子在IEEE數據挖掘國際會議（ICDM）上分享了領英是如何規模化開展機器學習，介紹領英的核心產品以及如何利用技術幫助更多工程師提升機器學習的效率。
  • 想快速部署機器學習項目?來看看幾大主流機器學習服務平臺對比吧
    這些功能使得這個 API 成為音頻歸檔分類的一個很好的解決方案， 也可以進一步為電話呼叫中心的數據文本分析提供支持。Amazon PollyPolly 服務與 Lex 相反，它是將文本轉換為語音， 這能夠使聊天機器人通過語音的方式回復，這個 API 並不會生成文本，只是讓文本的發音更接近與人類。如果你曾經使用過 Alexa，你就會知道這種聲音是什麼樣的。
  • 微分方程VS機器學習,實例講解二者異同
    廣義相對論假設在一種特殊的幾何形態下，時空會發生扭曲。愛因斯坦提出關於時空扭曲的一些重要想法，數學家 Emmy Noether 和 David Hilbert 將這些想法整合到愛因斯坦場方程中。SIR 模型假設病毒是通過感染者與未感染者之間的直接接觸傳播的，並且感染者會以固定的速率自動恢復。使用機械模型時，觀察和直覺會指導模型的設計，而數據則用於後續驗證假設。
  • Python機器學習10:機器學習中的六種分類算法及實現(上)
    在機器學習中，可以使用多種算法模型解決同一個問題，那麼如何從中選擇出最佳的算法模型呢？當然，這個問題沒有一種固定的答案，需要根據不同的問題，嘗試使用多種機器學習方法，比較各種算法模型在該問題上的效果，最終才能決定究竟選擇哪一種模型。
  • 微軟鄭宇再談「上海踩踏事件」,用時空殘差網絡解決公共安全問題
    本文將結合鄭宇演講和論文，從訓練數據獲取及整合、如何融合外部因素和時間空間相關性、為什麼選擇深度殘差網絡等方面進行講解，並且討論該技術在實際應用中的問題，以及深度學習對其它社會公共問題的解決方案。 而他們這次研究是第一次將深度殘差網絡用於時空數據，提出了時空深度殘差網絡模型（ST-ResNet），把整個城市，比如說北京地區，劃成很多個網格，多個網格進行同時分析，所以它是一種整體性的預測。
  • 混合時空圖卷積網絡:更精準的時空預測模型|KDD2020
    作者 | 高德機器學習團隊編輯 | 叢 末論文下載地址：https://arxiv.org/abs/2006.127151導讀時空預測在天氣預報、運輸規劃等領域有著重要的應用價值。交通預測作為一種典型的時空預測問題，具有較高的挑戰性。
  • 看機器學習如何解釋混沌系統
    他們採用了一種叫做儲備池計算（reservoir computing）的機器學習算法來「學習」原型混沌系統動力學，又叫做Kuramoto-Sivashinsky方程式（非線性偏微分方程）。這個方程式的演進解決方案就像一個火焰鋒面，在可燃介質中閃爍前行。
  • 2021年重要的機器學習和A人工智慧的發展趨勢
    通過採用亞馬遜Alexa、Google Home、Netflix等智能設備，人工智慧服務正在為組織提供行業領先的創新解決方案。 人們需要了解2021年一些重要的機器學習和人工智慧趨勢，這些趨勢可能會重塑經濟、社會和工業運作。