選自arXiv
作者:Yoav Levine等
機器之心編譯
參與:吳攀
深度學習和量子物理是兩個看似關聯很小的領域, 但研究者還是找到了它們之間的共同之處。 近日, 耶路撒冷希伯來大學的幾位研究者的一篇論文《Deep Learning and Quantum Physics : A Fundamental Bridge》介紹了他們的發現:深度卷積算術電路(ConvAC)所實現的函數和量子多體波函數之間存在某種等價性。 機器之心在本文中簡要地編譯介紹了這項研究, 論文原文可點擊文末「閱讀原文」查閱。
深度卷積網路已經在許多不同的機器學習應用中取得了前所未有的成功。 是什麼讓這些網路如此成功?研究正在逐漸揭開其中的秘密,
圖 1:Cohen et al. (2016b) 提出了原本的卷積算術電路網路(Convolutional Arithmetic Circuits network)
3. 量子波函數與卷積網路
當描述一個由多個相互作用的粒子所構成的系統(被稱為多體量子系統(many-body quantum system))的量子力學性質時,
4. 糾纏和相關性的測量
多體波函數和 ConvAC 所實現的函數之間的形式聯繫(如式 8 所示)讓我們有機會使用已有的物理見解和工具來分析卷積網路。 對於表徵多體波函數的粒子間的相關性結構, 物理學家給予了特別的關注, 因為其對被觀測系統的物理性質有廣泛的影響。 儘管機器學習領域對這個問題的關注較少, 但我們可以直觀地理解:在解決一個機器學習問題時, 應該考慮表徵該問題的相關性, 比如資料集中典型圖像的圖元之間的相關性。 我們應該看到, 對於函數的「表達力(expressiveness)」的需求實際上是對該函數建模相關複雜相關性結構的需求,
圖 2:圖片為 8×8 大小。 a) 交錯分區的圖示, b) 左右分區的圖示。 如果你希望建模圖像(比如面部圖像)的兩邊之間的複雜相關性結構, 那麼該網路應該支援左右分區的高糾纏測量(high entanglement measure);如果你希望對鄰近圖元這樣做(如自然圖像),那麼應該選擇交錯分區。在第 7 節,我們說明了這種對卷積網路的歸納偏置的控制可以如何通過適當調整每一層的通道數量來實現。
5. 張量網路和張量分解
圖 3:張量網路(TN/Tensor Networks)的簡單介紹。a) 該張量網路中的張量用節點表示,節點的度(degree)對應於由其所表示的張量的階數。b) 用 TN 符號表示的一個矩陣乘一個張量。收縮(contracted)指數用 k 表示並且相加。開放(open)指數用 d 表示,它們的大小等於由整個網路所表示的張量的階數。所有這些指數的值都在 1 到它們的連接維度(bond dimension)之間。收縮(contraction)用虛線標示。c) 一個更加複雜的例子——一個網路使用在稀疏互連的低階張量上的收縮表示一個更高階的張量。該網路是一種分解(decomposition)的簡單案例,其在張量分析社區被稱為張量訓練(tensor train,Oseledets (2011)),而在凝聚態物理學界則被稱為矩陣積態(matrix product state,參見 Orús (2014))。
6. 一個用作張量網路的卷積網路
圖 4:a) 張量網路(TN)形式的奇異值分解。Λ 節點表示一個對角矩陣、U 和 V 節點表示正交矩陣。b) 相當於 CP 分解的 TN。
圖 5:相當於 HT 分解的 TN,其帶有對應於圖 1 的 ConvAC(N=8)的計算的相同通道池化方案,詳見 6.2 節
那麼該網路應該支援左右分區的高糾纏測量(high entanglement measure);如果你希望對鄰近圖元這樣做(如自然圖像),那麼應該選擇交錯分區。在第 7 節,我們說明了這種對卷積網路的歸納偏置的控制可以如何通過適當調整每一層的通道數量來實現。5. 張量網路和張量分解
圖 3:張量網路(TN/Tensor Networks)的簡單介紹。a) 該張量網路中的張量用節點表示,節點的度(degree)對應於由其所表示的張量的階數。b) 用 TN 符號表示的一個矩陣乘一個張量。收縮(contracted)指數用 k 表示並且相加。開放(open)指數用 d 表示,它們的大小等於由整個網路所表示的張量的階數。所有這些指數的值都在 1 到它們的連接維度(bond dimension)之間。收縮(contraction)用虛線標示。c) 一個更加複雜的例子——一個網路使用在稀疏互連的低階張量上的收縮表示一個更高階的張量。該網路是一種分解(decomposition)的簡單案例,其在張量分析社區被稱為張量訓練(tensor train,Oseledets (2011)),而在凝聚態物理學界則被稱為矩陣積態(matrix product state,參見 Orús (2014))。
6. 一個用作張量網路的卷積網路
圖 4:a) 張量網路(TN)形式的奇異值分解。Λ 節點表示一個對角矩陣、U 和 V 節點表示正交矩陣。b) 相當於 CP 分解的 TN。
圖 5:相當於 HT 分解的 TN,其帶有對應於圖 1 的 ConvAC(N=8)的計算的相同通道池化方案,詳見 6.2 節