Loading…
正文
Qzone
微博
微信
超分辨率增强不止能修复照片,还能解决物理学家的棘手难题
前瞻网    2021-05-31 19:22

 

超分辨率增强不止能修复照片,还能解决物理学家的棘手难题

东京城市大学的研究人员借用机器学习中的超分辨率增强技术,用来研究相变。他们先模拟微小的粒子阵列,确定了大型粒子阵列在不同温度下的行为特征,然后使用卷积神经网络(CNN),利用“相关”配置对大型粒子阵列进行良好估计。大量节省计算成本可能会实现理解材料行为的独特方式。

我们被物质的不同状态或“相”所包围,即气体、液体和固体。相变的研究,即一个阶段如何转变成另一个阶段,是我们理解宇宙物质的核心,也是物理学家的一个热门话题。这就是为什么物理学家研究模型系统,也就是阵列上通过简单规则相互作用形成的简单“粒子”网格,。

然而,就像所有的模拟一样,要同时观察许多粒子时,所需的计算变得十分复杂,要想将这些发现应用于现实世界,更是不可能的事——真实材料通常比模拟物质包含更多数量级的原子和分子。

东京都市大学、芝浦理工学院和新加坡生物信息学研究所的研究团队一直在研究,如何用一个称为逆重正化群(RG)的概念,可靠地将较小的模拟推广到较大的模拟上。

它们使用了CNN。他们的想法是给一个算法一个小的粒子阵列的状态,并让它“估计”一个更大的阵列会是什么样子。这与让CNN通过创造超分辨率图像有异曲同工之妙。

该团队试图将其应用到物质的“自旋”模型中。

和所有机器学习技术一样,关键是能够生成可靠的“训练集”。该团队开发了一种新的算法,称为关联配置的块-簇转换,从而将这些关联配置缩减为更小的模式。对原始模式和简化模式应用改进的估计技术,它们具有基于相同信息的不同大小的配置对。剩下的就是训练CNN将小模式转换成大模式。

该小组考虑了2种系统——2D Ising模型和三态Potts模型,这2种系统都是凝聚态研究的关键基准。对于这2种情况,他们发现他们的CNN可以使用一个非常小的点阵列的模拟来重现相关g(T)的测量是如何在更大的系统中通过相变点变化的。与对更大系统的直接模拟相比,这2个系统都重现了相同的趋势,并结合了基于任意系统规模数据的简单温度调整。

编译/前瞻经济学人APP资讯组

本文来源前瞻网,转载请注明来源。本文内容仅代表作者个人观点,本站只提供参考并不构成任何投资及应用建议。(若存在内容、版权或其它问题,请联系:service@qianzhan.com)

 

广告
责任编辑: 3976DBC

责任编辑: 3976DBC
  热点精选
广告