我们提出了一个半经验学习理论(SETOL),解释了State-Of-The-Art(SOTA)神经网络(NNs)的显着表现。 我们正式解释了重尾自平化(HTSR)现象学理论中基本量的起源:重尾功率法层质量指标,阿尔法和阿尔法帽。 在之前的研究中,这些指标已被证明可以预测预训练的SOTA NN模型的测试精度的趋势,重要的是,无需访问测试或训练数据。 我们的SETOL使用来自统计力学的技术以及随机矩阵理论和量子化学的高级方法。 推导提出了理想的学习的新的数学先决条件,包括一个新的度量,ERG,它相当于应用威尔逊精确再规范化的小组的单个步骤。 我们在一个简单的3层多层感知器(MLP)上测试了SETOL的假设和预测,证明了与关键理论假设的良好一致性。 对于 SOTA NN 模型,我们展示了如何通过简单地计算层重量矩阵的经验光谱密度 (ESD) 并将这个 ESD 插入我们的 SETOL 公式来估计训练 NN 的单个层质量。 值得注意的是,我们研究了HTSR alpha和SETOL ERG层质量指标的性能,并发现它们在我们的MLP和SOTA NN上非常吻合。
符号回归自动化从数据中学习封闭式数学模型的过程。 符号回归的标准方法以及较新的深度学习方法依赖于英雄主义模型选择标准,英雄主义正则化和模型空间的人文主义探索。 在这里,我们讨论了符号回归的概率方法,这是这种与信息理论和统计物理学直接相关的后人主义方法的替代品。 我们展示了概率方法如何从基本考虑和明确的近似值中建立模型合理性,以及它如何提供经验方法缺乏的性能保证。 我们还讨论了概率方法如何迫使我们考虑模型集合,而不是单一模型。
神经网络量子态(NQS)是强大的神经网络类,它已成为通过变异原理透镜研究量子多体物理学的有前途的工具。 众所周知,这些架构可以通过增加参数的数量来系统地进行改进。 在这里,我们演示了一个自适应方案,通过循环神经网络(RNN)的例子来优化NQS,使用一小部分计算成本,同时减少训练波动,提高针对一空间和双空间维度原型模型地面状态的变异计算质量。 这种自适应技术通过训练小型RNN并重复使用它们来初始化更大的RNN来降低计算成本。 这项工作为优化部署在大规模 NQS 模拟中的图形处理单元 (GPU) 资源开辟了可能性。
随着电动汽车(EV)行业的增长,对高纯度锂的需求激增,从Smackover Formation等低档北美来源的具有成本效益的提取至关重要。 这些资源与高纯度的南美盐水不同,需要创新的净化技术在经济上可行。 连续结晶是生产电池级碳酸锂的一种有希望的方法,但其优化受到复杂参数空间和有限数据的挑战。 本研究引入了人圈(HITL)辅助主动学习框架,以优化碳酸锂的连续结晶。 通过将人类专业知识与数据驱动的见解相结合,我们的方法加速了从具有挑战性的来源提取锂的优化。 我们的研究结果证明了该框架能够快速适应新数据,显著提高了该工艺对镁等关键杂质的耐受性,从行业标准的几百 ppm提高到高达6000 ppm。 这一突破使低品位、杂质丰富的锂资源的开采变得可行,有可能减少对广泛的预精炼工艺的需求。 通过利用人工智能,我们改进了操作参数,并证明可以在不牺牲产品质量的情况下使用低档材料。 这一进步是在经济上利用北美庞大的锂储量(如Smackover Formation)和提高全球锂供应链可持续性的重要一步。
从历史上看,具有N量子比特的量子低密度奇偶校验(LDPC)代码的√(N)log^1/2(N)距离屏障持续了近二十年,直到最近发现了光纤捆绑码。 一个悬而未决的问题是,这种距离障碍是否可以被打破,同时保持执行横向非克利福德门的能力。 在这个方向上,LDPC稳定器代码的另一个长期距离屏障N^1/3 - 自3D颜色代码发现以来存在 - 最近才通过实现Ω(√(N))距离(arXiv:2501.19375)的构造克服。 目前的工作进一步打破了√(N)距离障碍,采用了三个良好的qLDPC代码的同源产物,结合Freedman-Hastings代码到流形映射和三重杯产品来实现横向CCZ门。 生成的代码实现了Ω(N^2/3)距离(Θ(N)的线性X距离)和Θ(N^2/3)的维度,这使得Θ(N^1/3)独立逻辑CCZ魔法状态的容错准备,无需蒸馏(魔法状态喷泉)。 这个新量子代码还激发了一个奇异的3q维流形M家族的发现,它既展示了功率法 Z_2-(q, 2q)-systolic自由,也展示了2q维子歧管的三重交集点。
我们提出了一个半经验学习理论(SETOL),解释了State-Of-The-Art(SOTA)神经网络(NNs)的显着表现。 我们正式解释了重尾自平化(HTSR)现象学理论中基本量的起源:重尾功率法层质量指标,阿尔法和阿尔法帽。 在之前的研究中,这些指标已被证明可以预测预训练的SOTA NN模型的测试精度的趋势,重要的是,无需访问测试或训练数据。 我们的SETOL使用来自统计力学的技术以及随机矩阵理论和量子化学的高级方法。 推导提出了理想的学习的新的数学先决条件,包括一个新的度量,ERG,它相当于应用威尔逊精确再规范化的小组的单个步骤。 我们在一个简单的3层多层感知器(MLP)上测试了SETOL的假设和预测,证明了与关键理论假设的良好一致性。 对于 SOTA NN 模型,我们展示了如何通过简单地计算层重量矩阵的经验光谱密度 (ESD) 并将这个 ESD 插入我们的 SETOL 公式来估计训练 NN 的单个层质量。 值得注意的是,我们研究了HTSR alpha和SETOL ERG层质量指标的性能,并发现它们在我们的MLP和SOTA NN上非常吻合。
符号回归自动化从数据中学习封闭式数学模型的过程。 符号回归的标准方法以及较新的深度学习方法依赖于英雄主义模型选择标准,英雄主义正则化和模型空间的人文主义探索。 在这里,我们讨论了符号回归的概率方法,这是这种与信息理论和统计物理学直接相关的后人主义方法的替代品。 我们展示了概率方法如何从基本考虑和明确的近似值中建立模型合理性,以及它如何提供经验方法缺乏的性能保证。 我们还讨论了概率方法如何迫使我们考虑模型集合,而不是单一模型。
神经网络量子态(NQS)是强大的神经网络类,它已成为通过变异原理透镜研究量子多体物理学的有前途的工具。 众所周知,这些架构可以通过增加参数的数量来系统地进行改进。 在这里,我们演示了一个自适应方案,通过循环神经网络(RNN)的例子来优化NQS,使用一小部分计算成本,同时减少训练波动,提高针对一空间和双空间维度原型模型地面状态的变异计算质量。 这种自适应技术通过训练小型RNN并重复使用它们来初始化更大的RNN来降低计算成本。 这项工作为优化部署在大规模 NQS 模拟中的图形处理单元 (GPU) 资源开辟了可能性。
随着电动汽车(EV)行业的增长,对高纯度锂的需求激增,从Smackover Formation等低档北美来源的具有成本效益的提取至关重要。 这些资源与高纯度的南美盐水不同,需要创新的净化技术在经济上可行。 连续结晶是生产电池级碳酸锂的一种有希望的方法,但其优化受到复杂参数空间和有限数据的挑战。 本研究引入了人圈(HITL)辅助主动学习框架,以优化碳酸锂的连续结晶。 通过将人类专业知识与数据驱动的见解相结合,我们的方法加速了从具有挑战性的来源提取锂的优化。 我们的研究结果证明了该框架能够快速适应新数据,显著提高了该工艺对镁等关键杂质的耐受性,从行业标准的几百 ppm提高到高达6000 ppm。 这一突破使低品位、杂质丰富的锂资源的开采变得可行,有可能减少对广泛的预精炼工艺的需求。 通过利用人工智能,我们改进了操作参数,并证明可以在不牺牲产品质量的情况下使用低档材料。 这一进步是在经济上利用北美庞大的锂储量(如Smackover Formation)和提高全球锂供应链可持续性的重要一步。
量子吉布斯状态的制备是量子计算的一个基本挑战,对于从模拟开放量子系统到量子机器学习等应用至关重要。 基于Cervera-Lierta等人提出的Meta-Variational Quantum Eigensolver框架和问题驱动的反卫星设计,我们引入了两种元学习算法:Meta-Variational Quantum Thermalizer(Meta-VQT)和Neural Network Meta-VQT(NN-Meta VQT),用于在Noisy中级量子(Imate-Dum)上对参数化Hamilians进行高效热态制备。 Meta-VQT采用完全量子的anatz,而NN Meta-VQT集成了量子经典混合架构。 两者都利用集体优化训练集,将Gibbs状态准备推广到看不见的参数。 我们在高达 8 量子位的横向场 ising 模型和 2 量子位海森堡模型上验证了我们的方法,并展示了超越训练数据的高效热态生成。 对于较大的系统,我们表明,当与适当设计的 ansatz 结合时,我们的元学习参数可以作为温暖的开始初始化,在优化任务中显著优于随机初始化。 此外,一个3量子位的Kitaev环示例展示了我们的算法在有限温度交叉机制中的有效性。 最后,我们应用我们的算法在2量子位海森堡模型上训练量子玻尔兹曼机器(QBM),具有所有字段,实现更高的训练效率,提高吉布斯状态精度,并且比现有技术(如基于可变量子假想时间(VarQITE)的QBM)的30倍运行时加速,突出了基于元算法的QBM的可扩展性和实用性。
我们开发了一个深度变异自由能框架,以计算热致密物质区域中氢的状态方程。 该方法使用三个深生成模型对有限温度下氢核和电子的变异密度矩阵进行参数化:一个表示经典原子核的玻尔兹曼分布的正态流模型,一个模拟激发态电子分布的自回归变压器,以及一个排列等变量流模型,该模型为Hartree-Fock轨道中的电子构建回流坐标。 通过联合优化三个神经网络以最小化变异自由能,我们获得了致密氢的状态方程和相关热力学特性。 我们将我们的结果与氘Hugoniot曲线上的其他理论和实验结果进行比较,旨在解决现有的差异。 计算的结果为温暖致密物质区域的氘提供了宝贵的基准。
机器学习的原子间潜力已经成为材料科学不可或缺的工具,能够研究更大的系统和更长的时间尺度。 最先进的模型通常是图形神经网络,它使用传递消息来迭代更新原子嵌入,最终用于预测属性。 在这项工作中,我们扩展了传递形式主义的信息,并包含一个连续变量,该变量解释了分数原子的存在。 这使我们能够计算吉布斯自由能量相对于原子的笛卡尔坐标及其存在的梯度。 使用它,我们提出了一种基于梯度的大规范优化方法,并记录了其Cu(110)表面氧化物的能力。
基于扩散的深层生成模型已成为逆材料设计的强大工具。 然而,许多现有的方法忽略了基本的化学约束,如氧化状态平衡,这可能导致化学无效结构。 在这里,我们介绍了CrysVCD(带有Valence-Constrained Design的Crystal发生器),这是一个将化学规则直接集成到生成过程中的模块化框架。 CrysVCD首先采用基于变压器的元素语言模型来生成价平衡的成分,然后使用扩散模型来生成晶体结构。 与筛选后纯数据驱动方法相比,价差约束使数量顺序更高效的化学价位检查。 在稳定性指标上微调时,CrysVCD达到85
具有原子分辨率的越来越大型的微观图像数据集促进了机器学习方法的开发,以识别和分析嵌入在图像中的细微物理现象。 在这项工作中,蜂窝晶格自旋冰样品的微观图像作为数据集,我们从中自动计算净磁矩和自旋冰配置的方向。 在我们工作流程的第一阶段,机器学习模型经过训练,可以准确预测自旋冰结构中的磁矩和方向。 Variational Autoencoders(VAEs)是一种新兴的无监督深度学习技术,用于生成高质量的合成磁力显微镜(MFM)图像并提取潜在的特征表示,从而减少实验和分割错误。 提出的第二阶段方法能够精确识别和预测受挫的顶点和纳米磁段,有效地将微观图像的结构和功能方面联系起来。 这有利于设计优化的自旋冰配置,具有受控制的挫折模式,从而实现潜在的按需合成。
多切片电子分形(MEP)是一种逆成像技术,可计算从衍射模式中重建原子晶体结构的最高分辨率图像。 可用的算法通常迭代地解决这个反向问题,但由于其不良性质,既耗时又产生次优解决方案。 我们开发MEP-Diffusion,这是一种在大型晶体结构数据库中训练的扩散模型,专门用于MEP,以增强现有的迭代求解器。 MEP-Diffusion通过Diffusion后采样(DPS)作为生成物预先集成到现有的重建方法中。 我们发现这种混合方法大大提高了重建的3D卷的质量,实现了90.50。
高效合成新材料在各个研究领域都很高要求。 然而,这个过程通常是缓慢而昂贵的,特别是对于金属眼镜,其形成强烈取决于多种元素的最佳组合来抵抗结晶。 自1960年以来,这一限制只能在广阔的物质空间中探索了数千名候选人。 最近,由先进的机器学习技术武装的数据驱动方法为智能材料设计提供了替代途径。 由于数据稀缺和不成熟的材料编码,传统的表格数据通常由统计学习算法挖掘,从而限制了模型的可预测性和可推广性。 在这里,我们提出从材料网络表示中学习复杂的数据。 节点元素由维基百科语言模型编码。 具有多功能架构的图形神经网络旨在作为推荐系统,以探索材料之间的隐藏关系。 通过采用不同语言的维基百科嵌入,我们评估自然语言在材料设计中的能力。 我们的研究提出了一种新的范式,以收获新的无定形材料以及人工智能。
活动极流体的拓扑缺陷表现出由内部产生的压力驱动的复杂动力学,反映了拓扑,流动和非平衡流体动力学之间的深层相互作用。 反馈控制提供了引导这些系统的强大手段,使动态状态之间的过渡成为可能。 我们通过调节活动的空间轮廓,研究了密闭活性流体中整数充电缺陷的闭环转向。 使用连续流体动力学模型,我们表明,主动应力的局部控制诱导流场,可以通过利用系统中的非线性耦合来重新定位和引导沿规定的轨迹缺陷。 强化学习框架用于发现有效的控制策略,在训练有素和新颖的轨迹上产生强大的缺陷传输。 研究结果强调了人工智能代理如何学习潜在的动力学和空间结构活动来操纵拓扑激发,为活性物质的可控性和自组织材料的设计提供见解。
我们提出了一个基于图形的深度学习框架,用于预测准一维Ising自旋系统的磁性。 晶格几何形状被编码为图形,并由图形神经网络(GNN)处理,然后由完全连接的层处理。 该模型在蒙特卡洛模拟数据上训练,并准确再现磁化曲线的关键特征,包括高原、临界过渡点和几何挫折的影响。 它捕获了局部主题和全球对称性,表明GNN可以直接从结构连接中推断出磁性行为。 拟议的方法可以有效地预测磁化,而无需额外的蒙特卡洛模拟。
在本次会议的贡献中,我们介绍了一些使用电流脉冲显示分数顺序行为的可切换记忆设备的初步结果。 在我们的模型中,假设状态变量的演变遵循一个涉及Caputo类型衍生物的分数序微分方程。 对焦耳损失的研究表明,最小化这些损失的最佳切换策略取决于分数衍生物的顺序和运动方程中的力量指数。 结果发现,当分数导数的顺序超过功率指数的一半时,最好的方法是采用宽脉冲。 相反,当未满足此条件时,通过施加零电流,然后施加最高允许幅度的窄电流脉冲,将焦耳损失最小化。 这些发现在多脉冲控制的背景下进一步探讨。 我们的研究为下一代节能神经形态计算架构的发展奠定了基础,这些架构更密切地模仿其生物对应物。
MatSSL是一个精简的自我监督学习(SSL)架构,在骨干的每个阶段使用Gated Feature Fusion来有效地集成多级表示。 目前对金属材料的微图分析依赖于监督方法,该方法需要为每个新数据集进行再训练,并且通常与只有少数标记的样本不一致。 虽然SSL通过利用未标记的数据提供了一个有希望的替代方案,但大多数现有方法仍然依赖于大规模数据集才能有效。 MatSSL旨在克服这一限制。 我们首先在小规模、未标记的数据集上执行自我监督预训练,然后在多个基准数据集上微调模型。 生成的分割模型达到69.13
我们在困离子和IBM超导量子计算机上实现了神经网络的量子化,对MNIST图像进行分类,这是计算机视觉中的通用基准。 网络前馈涉及量子位旋转,其角度取决于上一层的测量结果。 网络是通过模拟训练的,但在量子硬件上通过实验进行推理。 经典到量子对应由插值参数a控制,在经典极限中为零。 增加量子不确定性引入测量,这已被证明可以提高插值参数的中等值的网络性能。 然后,我们专注于那些未能被经典神经网络分类但在量子网络中正确检测到的特定图像。 对于这样的边缘情况,我们观察到与模拟行为的强烈偏差。 我们将此归因于物理噪声,这导致输出在分类能量景观的附近最小值之间波动。 对于清晰的图像,对物理噪声的如此强烈的敏感性是缺失的。 我们通过在神经网络电路中插入额外的单量子位和双量子位门对来进一步基准测试物理噪声。 我们的工作为当前设备上更复杂的量子神经网络提供了一个跳板:虽然该方法植根于标准的经典机器学习,但扩展此类网络可能被证明是经典的非同化,并可能为近期的量子优势提供途径。
相位振荡器的网络可以作为密集的关联记忆,如果它们包含更高阶的耦合,超越经典的Kuramoto模型的成对相互作用。 在这里,我们引入了一个广义的Kuramoto模型,结合了第二谐波(配对)和第四谐波(四分法)耦合,灵感来自密集的Hopfield记忆理论。 使用均场理论及其动态近似值,我们获得了一个密集的关联记忆模型的相位图,该模型表现出一个三重临界点,在这个临界点上,记忆检索的连续开始被不连续的,歇斯底里的过渡所取代。 在夸特主导的制度中,该系统支持与存储内存模式对应的双表相锁状态,内存和不连贯状态之间存在相当大的能量屏障。 我们分析确定这个双表区域,并表明内存状态(由于噪声)的逃逸时间随着网络大小呈指数级增长,表明强大的存储。 将理论扩展到有限内存负载,我们表明高阶联轴器实现了具有系统大小的内存容量的超线性缩放,远远超过仅对向振荡器的极限。 振荡器网络的大规模模拟证实了我们的理论预测,证明了许多相位模式的快速检索和强大的存储。 这些结果将Kuramoto与现代Hopfield记忆的同步连接起来,指向振荡器系统中高容量,模拟关联记忆的实验实现。
液态金属(LM)嵌入在弹性体基质中,以获得具有独特热、介电和机械性能的软复合材料。 他们在软机器人、生物医学工程和可穿戴电子产品方面有应用。 通过将结构与这些材料的特性联系起来,可以合理地执行材料设计。 液态金属嵌入式弹性体(LMEE)通过在变异自动编码器网络(VAE)中半监督学习结构-属性(SP)链接,为靶向电热机械性能而设计。 设计参数是具有物理意义的微结构描述符,与研究颗粒复合材料的合成具有亲和关系。 机器学习(ML)模型是在微结构描述符的生成数据集上训练的,其多功能属性量作为标签。 Sobol序列用于实验的硅设计(DoE),通过采样设计空间,通过包装算法生成3D微观结构实现的综合数据集。 生成的微观结构的机械响应使用先前开发的有限元件(FE)模型进行模拟,考虑到LM内含物引起的表面张力,而线性热和介电常数在我们的内部快速傅变(FFT)包的帮助下被同质化。 通过最小化适当的损失函数进行训练后,VAE编码器充当多功能同质化数值求解器的替代物,其解码器用于材料设计。 我们的研究结果表明,在LMEE实验结果验证的高保真数值模拟方面,代理模型和反向计算器的满意性能。
这项研究研究了在电阻随机访问存储器(ReRAM)细胞中最小化焦耳损失的策略,这些细胞也被称为记忆设备。 通常,ReRAM细胞的结构涉及夹在两个金属电极之间的纳米级电阻开关材料层。 我们要问的基本问题是,将记忆设备从一个状态切换到另一个状态的最佳驱动协议是什么。 在理想记忆器的情况下,在最基本的情况下,最佳协议是通过在欧拉朗格奇方程的帮助下解决无约束的变异问题来确定的。 在记忆系统的情况下,对于相同的情况,使用拉格朗日乘数的方法找到最佳协议。 我们通过特定示例展示了我们方法的优点,并将我们的结果与具有恒定电压或电流的开关结果进行比较。 我们的研究结果表明,电压或电流控制可用于减少新兴存储器设备中的焦耳损失。
合成序列控制的聚合物有望通过将合成聚合物的化学多功能性与生物蛋白质的精确序列介导功能相结合来改变聚合物科学。 然而,事实证明,这些材料的设计极具挑战性,因为它们缺乏密切相关的进化分子的大量数据集,这些分子加速了蛋白质的设计。 在这里,我们报告一项新的人工智能战略,以大幅减少加速这些材料设计所需的数据量。 我们专注于将相容分子的重复单元序列与其降低不同聚合物域之间的界面张力的能力联系起来的数据。 这些分子的最佳序列对于混合废物聚合物回收等应用至关重要,强烈依赖于聚合物的浓度和化学细节等变量。 对于当前的方法,这将需要一个完全不同的数据集来在每个条件下实现设计。 在这里,我们展示了一个在一组条件下对序列/界面张力关系低保真数据进行训练的深度神经网络可以快速调整,以便在一组不同的条件下进行更高保真度的预测,需要的数据要少得多。 这种启动和调整方法应该允许单个低保真父数据集大大加速整个相关系统中的预测和设计。 从长远来看,它还可能提供了一种从快速,粗糙的模拟中引导定量原子设计的方法。
