重正化群是物理学研究中的一个基本概念。它不仅是研究相变与临界现象以及强耦合问题的有力工具，更塑造了物理学家的世界观：物理学是关于不同尺度和能标下演生现象 (Emergent Phenomena) 的有效理论。
人们在深度学习的应用实践中观察到，深层神经 络具有逐层提取特征的能力。处于 络深层的神经元往往对应于抽象而独立的演生概念。如何充分理解并创造性地利用神经 络的这一特性，是深度学习的核心问题之一，称为表示学习 (Representation Learning) 。开展表示学习和重正化群理论的交叉研究，一方面有助于揭示深层神经 络的工作原理，另一方面可将成功的深度学习技术应用于求解物理问题。
流向隐变量空间的正则化流有助于自动识别集体变量和有效理论，预计可以在统计物理、场论以及第一性原理分子动力学研究中发挥作用。此外，可逆的重正化流恰好契合重正化群理论的现代发展：保信息的全息重正化。因此，神经 络重正化群也为研究全息对偶原理 (Holographic Duality Principle) 提供了新途径。该工作于近期发表于 Physical Review Letters 杂志（Phys. Rev. Lett. 121, 260601 (2018)）。
正则化流实现了物理变量和隐变量之间的可逆映射
近期热门文章Top10
↓ 点击标题即可查看 ↓
声明：本站部分文章内容及图片转载于互联 、内容不代表本站观点，如有内容涉及侵权，请您立即联系本站处理，非常感谢！