av影片日本

报告题目：张量网络态与深度学习的交融

报告摘要：近年来，深度学习在模式识别领域的出色表现，成功地吸引了物理学界的注意力。由于所处理的问题具有类似性，物理学和机器学习这两个研究领域开始进行越来越多的交融。一方面，物理学中的基本思想和概念，加深了我们对机器学习尤其是深度学习的理解；另一方面，机器学习中的思维方式和数值技巧，在物理学的类似问题中开始发挥作用。在本报告中，我将重点介绍我们在“深度学习和基于张量网络的数值重正化群”两者之间进行的交叉研究，同时涉及到了上述两个方面：我们将矩阵乘积态的物理概念应用到图片分类问题中，构造了一种新的神经网络结构，在保持预测精度的前提下，大幅削减了网络参数，有望提高网络的可解释性和泛化能力；我们证明了"训练神经网络所使用的后向传播算法"与"优化张量网络所使用的二次重正化群方法"的等价性，进而用深度学习中的自动微分技术实现了二次重正化群方法在一系列物理模型中的成功应用，有望改善数值重正化群在复杂物理系统中的表现。

参考文献：arXiv:1904.06194, arXiv:1912.02780, Phys. Rev. Lett.103, 160601 (2009)

报告人简介：理论凝聚态物理方向，长期从事量子多体计算方法在强关联体系中的发展和应用。与合作者一起，提出了量子波函数的投影纠缠单形态表示，并发展了二次重正化群、高阶张量重正化群、嵌套张量网络等数值重正化群方法。所关注的系统，包括低维量子磁性系统、自旋玻璃与无序系统、二维高温超导体系、具有临界性质的经典统计系统等。最近开始关注深度学习、物理学和金融学三者之间的交叉研究领域。