chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

物理學(xué)家使用人工神經(jīng)網(wǎng)絡(luò)模擬量子多體系統(tǒng)的波函數(shù)

如意 ? 來源:百家號(hào) ? 作者:AI工程學(xué)習(xí) ? 2020-06-30 16:47 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

蘇黎世聯(lián)邦理工學(xué)院的一對(duì)物理學(xué)家開發(fā)了一種使用人工神經(jīng)網(wǎng)絡(luò)表征量子多體系統(tǒng)的波函數(shù)的方法。Giuseppe Carleo和Matthias Troyer 在發(fā)表在《科學(xué)》雜志上的論文中,描述了他們?nèi)绾魏鍎?dòng)神經(jīng)網(wǎng)絡(luò)來模擬量子多體系統(tǒng)的某些方面。與新南威爾士大學(xué)的邁克爾·噓提供了一個(gè)前景一片由一對(duì)在同一期刊的問題所做的工作,并概述了試圖解決同樣的問題時(shí),其他研究人員所面對(duì)的問題。

當(dāng)今物理學(xué)家面臨的難題之一是想出一種方法來模擬量子多體系統(tǒng),即,顯示給定系統(tǒng)中存在的所有狀態(tài),例如物質(zhì)。這樣的系統(tǒng)迅速變得復(fù)雜-例如,一組僅100個(gè)量子粒子可能具有多達(dá)10 35個(gè)自旋態(tài)。甚至最強(qiáng)大的現(xiàn)代計(jì)算機(jī)也很快變得不知所措,試圖描述這樣的系統(tǒng)。在這項(xiàng)新工作中,研究人員采用了不同的方法-而不是嘗試計(jì)算每種可能的狀態(tài),而是使用神經(jīng)網(wǎng)絡(luò)對(duì)整個(gè)系統(tǒng)進(jìn)行了概括。

兩人首先指出,去年用來擊敗圍棋世界冠軍的系統(tǒng)可能會(huì)以模擬多體系統(tǒng)的方式進(jìn)行修改。他們創(chuàng)建了相同類型神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化版本,并對(duì)其進(jìn)行編程以模擬多體系統(tǒng)的波動(dòng)函數(shù)(通過使用一組權(quán)重和僅一層隱藏偏差)。然后,他們通過獲得神經(jīng)網(wǎng)絡(luò)來確定系統(tǒng)的基本狀態(tài)。為了了解他們的系統(tǒng)運(yùn)行狀況如何,他們對(duì)已經(jīng)解決的問題進(jìn)行了比較,并報(bào)告說他們的系統(tǒng)比那些依靠蠻力方法的系統(tǒng)要好。

物理學(xué)家使用人工神經(jīng)網(wǎng)絡(luò)模擬量子多體系統(tǒng)的波函數(shù)

該系統(tǒng)只是一個(gè)概念證明,而不是物理學(xué)家使用的實(shí)際工具,但它展示了可能的方法-正如Hush所指出的那樣,需要付出更多努力才能獲得具有突破性應(yīng)用的工具,正如Hush指出的那樣。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 量子
    +關(guān)注

    關(guān)注

    0

    文章

    500

    瀏覽量

    26415
  • 人工神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    1

    文章

    120

    瀏覽量

    15090
  • 物理
    +關(guān)注

    關(guān)注

    0

    文章

    101

    瀏覽量

    25480
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開深度學(xué)習(xí),而深度學(xué)習(xí)則依賴于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu),特別是大腦中神經(jīng)
    的頭像 發(fā)表于 12-17 15:05 ?195次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    德國斯圖加特大學(xué)突破量子中繼器技術(shù)

    為實(shí)現(xiàn)量子互聯(lián)網(wǎng),經(jīng)濟(jì)實(shí)惠的光纖基礎(chǔ)設(shè)施必不可少。但光的傳輸距離有限,傳統(tǒng)光信號(hào)需定期增強(qiáng),而量子信息無法簡(jiǎn)單放大、復(fù)制或轉(zhuǎn)發(fā)。為此,物理學(xué)家開發(fā)量子中繼器,在
    的頭像 發(fā)表于 11-19 16:02 ?228次閱讀
    德國斯圖加特大學(xué)突破<b class='flag-5'>量子</b>中繼器技術(shù)

    激活函數(shù)ReLU的理解與總結(jié)

    in nervous activity》論文中提出并給出了人工神經(jīng)網(wǎng)絡(luò)的概念及人工神經(jīng)元的數(shù)學(xué)模型,從而開創(chuàng)了人工
    發(fā)表于 10-31 06:16

    NMSIS神經(jīng)網(wǎng)絡(luò)庫使用介紹

    :   神經(jīng)網(wǎng)絡(luò)卷積函數(shù)   神經(jīng)網(wǎng)絡(luò)激活函數(shù)   全連接層函數(shù)   神經(jīng)網(wǎng)絡(luò)池化
    發(fā)表于 10-29 06:08

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開發(fā)IDE,以TensorFlow2為訓(xùn)練框架,目標(biāo)是訓(xùn)練一個(gè)手寫數(shù)字識(shí)別的神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 10-22 07:03

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)(LiquidNeuralNetworks,LNN)是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng),特別是秀麗隱桿線蟲的神經(jīng)結(jié)構(gòu),盡管這種微生物的
    的頭像 發(fā)表于 09-28 10:03 ?958次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真模型解決方案

    在基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真(DPD)模型中,使用不同的激活函數(shù)對(duì)整個(gè)系統(tǒng)性能和能效有何影響?
    的頭像 發(fā)表于 08-29 14:01 ?3345次閱讀

    神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    摘要:針對(duì)傳統(tǒng)專家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合
    發(fā)表于 06-16 22:09

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)在多個(gè)方面存在顯著差異,以下是對(duì)兩者的比較: 一、結(jié)構(gòu)特點(diǎn) BP神經(jīng)網(wǎng)絡(luò) : BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 02-12 15:53 ?1543次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析

    自學(xué)習(xí)能力 : BP神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)參數(shù),實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類、回歸等任務(wù),無需人工進(jìn)行復(fù)雜的特征工程。 泛化能力強(qiáng) : BP神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練數(shù)據(jù)學(xué)習(xí)到的特征表示
    的頭像 發(fā)表于 02-12 15:36 ?1887次閱讀

    BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)之間存在著密切的關(guān)系,以下是對(duì)它們之間關(guān)系的介紹: 一、BP神經(jīng)網(wǎng)絡(luò)的基本概念 BP神經(jīng)網(wǎng)絡(luò),即反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural N
    的頭像 發(fā)表于 02-12 15:15 ?1605次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的基本原理

    輸入層、隱藏層和輸出層組成。其中,輸入層負(fù)責(zé)接收外部輸入數(shù)據(jù),這些數(shù)據(jù)隨后被傳遞到隱藏層。隱藏層是BP神經(jīng)網(wǎng)絡(luò)的核心部分,它可以通過一層或多層神經(jīng)元對(duì)輸入數(shù)據(jù)進(jìn)行加權(quán)求和,并通過非線性激活函數(shù)(如ReLU、sigmoid或tan
    的頭像 發(fā)表于 02-12 15:13 ?1740次閱讀

    如何訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型

    BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型,其訓(xùn)練過程主要分為兩個(gè)階段:前向傳播和反向傳播。以下是訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型的步驟: 一、前向傳播 前向傳播
    的頭像 發(fā)表于 02-12 15:10 ?1630次閱讀

    鎖相放大器在物理學(xué)中的應(yīng)用

    ,成為了物理學(xué)家們迫切需要解決的問題。正是在這種需求下,鎖相放大器(Lock-InAmplifier,LIA)應(yīng)運(yùn)而生,成為現(xiàn)代物理學(xué)研究中不可或缺的工具。
    的頭像 發(fā)表于 02-11 16:35 ?846次閱讀
    鎖相放大器在<b class='flag-5'>物理學(xué)</b>中的應(yīng)用

    深度學(xué)習(xí)入門:簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

    神經(jīng)網(wǎng)絡(luò)。 首先,導(dǎo)入必要的庫: 收起 python ? import numpy as np ? 定義激活函數(shù) Sigmoid: 收起 python ? def sigmoid(x): return 1
    的頭像 發(fā)表于 01-23 13:52 ?960次閱讀