高级搜索

大自然的计算：从伊辛模型到生成学习

, 

downloadPDF

上一篇

下一篇

王磊, 张潘. 2025: 大自然的计算：从伊辛模型到生成学习, 物理, 54(1): 10-18. doi: 10.7693/wl20250102
引用本文: 王磊, 张潘. 2025: 大自然的计算：从伊辛模型到生成学习, 物理, 54(1): 10-18. doi: 10.7693/wl20250102
shu
WANG Lei, ZHANG Pan. 2025: The computation of nature: from the Ising model to generative learning, Physics, 54(1): 10-18. doi: 10.7693/wl20250102
Citation: WANG Lei, ZHANG Pan. 2025: The computation of nature: from the Ising model to generative learning, Physics, 54(1): 10-18. doi: 10.7693/wl20250102
shu

大自然的计算：从伊辛模型到生成学习

  • 1 中国科学院物理研究所 北京 100190;

  • 2 中国科学院理论物理研究所 北京 100190

    • 通讯作者: 王磊,email:wanglei@iphy.ac.cn;  张潘,email:panzhang@itp.ac.cn

The computation of nature: from the Ising model to generative learning

  • 1 Institute of Physics, Chinese Academy of Sciences, Beijing 100190, China;

  • 2 Institute of Theoretical Physics, Chinese Academy of Sciences, Beijing 100190, China

    • Corresponding authors: WANG Lei ;  ZHANG Pan

  • 摘要: 2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，这对很多人来说是出乎意料的。文章将从统计物理的视角，从伊辛模型出发，逐步介绍霍普菲尔德和辛顿的主要贡献，其中包括Hopfield模型、玻尔兹曼机、非监督学习，以及现代生成模型。还将回顾统计物理和机器学习在20世纪末期的精彩合作历程，并对未来物理与机器学习交互领域的发展方向进行简单展望。
    Abstract: The 2024 Nobel Prize in Physics was awarded to John Hopfield and Geoffrey Hinton, which came as a surprise to many people. In this introductory article, we will explore their major contributions from the perspective of statistical physics, starting with the Ising model. This includes the Hopfield model, Boltzmann machines, unsupervised learning, and modern generative models. The article will also review the exciting collaboration between statistical physics and machine learning at the end of the last century and provide a brief outlook on the future directions of the interdisciplinary field between physics and machine learning.
  • 加载中
  • The Nobel Prize in Physics 2024. https://www.nobelprize.org/prizes/physics/2024/summary/
    They cracked the code for proteins’amazing structures. https://www.nobelprize.org/prizes/chemistry/2024/press-release/
    WaveNet：A generative model for raw Audio. https://deepmind.google/discover/blog/wavenet-a-generative-model-for-raw-audio/
    Hopfield J J.Proceedings of the National Academy of Sciences， 1982，79：2554
    Amit D J，Gutfreund H，Sompolinsky H. Physical Review A， 1985，32(2)：1007
    Gutfreund H，Toulouse G. The Physics of Neural Networks.In： Spin Glasses and Biology. 1992. pp.7—59
    Rosenblatt F. Proceedings of the IRE，1960，48(3)：301
    Minsky M，Papert S A.Perceptrons: An Introduction to Computational Geometry.The MIT Press，2017
    Sherrington D，Kirkpatrick S. Phys. Rev. Lett.，1975，35(26)： 1792
    Parisi G. Phys. Rev. Lett.，1979，43(23)：1754
    Gardner E，Derrida B. Journal of Physics A：Mathematical and General，1988，21(1)：271
    Krauth W，Mézard M. Journal de Physique，1989，50(20)：3057
    Cortes C. Machine Learning，1995，20：273
    Nguyen H C，Zecchina R，Berg J. Advances in Physics，2017，66 (3)：197
    Ackley D H，Hinton G E，Sejnowski T J. Cognitive Science， 1985，9(1)：147
    Hinton G E. Momentum，2010，9(1)：926
    Hinton G E，Salakhutdinov R R. Science，2006，313(5786)：504
    Neal R M. Statistics and Computing，2001，11：125
    Deng J，Dong W，Socher R et al. ImageNet: A large-scale Hierarchical Image Database.In：2009 IEEE Conference on Computer Vision and Pattern Recognition，Miami，FL，USA. pp.248—255
    Krizhevsky A，Sutskever I，Hinton G E. lmagenet cassification with deep convolutional neural networks. In：Advances in Neural Information Processing Systems 25，2012
    Goodfellow I，Pouget-Abadie J，Mirza M et al. Generative adversarial nets. In：Advances in Neural Information Processing Systems 27，2014
    Kingma D P. 2013，arXiv：1312.6114
    Vaswani A et al. Attention is all you need. In：Advances in Neural Information Processing Systems 30，2017
  • 加载中
计量
  • 文章访问数:  384
  • HTML全文浏览数:  384
  • PDF下载数:  50
  • 施引文献:  0
出版历程
  • 收稿日期:  2025-01-10

大自然的计算：从伊辛模型到生成学习

    通讯作者: 王磊,email:wanglei@iphy.ac.cn; 
    通讯作者: 张潘,email:panzhang@itp.ac.cn
  • 1 中国科学院物理研究所 北京 100190;
  • 2 中国科学院理论物理研究所 北京 100190
  • 收稿日期:  2025-01-10

摘要: 2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，这对很多人来说是出乎意料的。文章将从统计物理的视角，从伊辛模型出发，逐步介绍霍普菲尔德和辛顿的主要贡献，其中包括Hopfield模型、玻尔兹曼机、非监督学习，以及现代生成模型。还将回顾统计物理和机器学习在20世纪末期的精彩合作历程，并对未来物理与机器学习交互领域的发展方向进行简单展望。

English Abstract

    全文HTML

参考文献 (24)

目录

/

返回文章
返回