In this paper, we will consider the machine learning system that can learn fundamental physics theory based on cellular automaton interpretation (CAI). First, assuming that we can calculate the time-evolved cellular automaton (CA) for any initial CA by knowing the time-evolution law of the given system, we will show that there exists a convolutional neural network (CNN) architecture that can learn the time-evolution law of this system with only the calculated data set for a certain example. Finding a CNN architecture that can learn CA is equivalent to showing that a time-varying time-evolution operator can be represented as a finite composition of time-independent linear functions and ReLU type non-linear functions. As a concrete example, block CA, which is time reversible and expressed as a matrix multiplication that changes with time, will be used as the time-evolution law, and the CNN architecture that can learn this evolution law will be proposed. However, by the universal approximation theorem, even with data of arbitrary quantum systems, if the depth of the network is deep enough, a CNN architecture that can learn actual rules can be found, regardless of the Hamiltonian, and therefore, the time-evolution law can be consistently expressed as a CNN. Also, since the convolution layer can be expressed in a covariant form, it could be helpful to find a CNN architecture that can learn the evolution law for a data set that includes gravity. Meanwhile, it will be shown that if the activation function of the first and last hidden layer is bypass, the CNN can be trained to include the corresponding part of the probabilistic interpretation in conventional quantum mechanics. Finally, for the CA model in which the dimensional reduction in quantum gravity is first presented, we will discuss the CNN architecture that can find the non-trivial evolution law in a deductive way.


翻译:在本文中,我们将考虑一个机器学习系统,这个系统可以学习基于蜂窝自动图解(CAI)的基本物理理论。首先,假设我们可以通过了解给定系统的时间演变法,来计算任何初始 CA 的时间变化变异的细胞进化自动自动自动自动自动自动自动自动自动自动自动系统。我们将显示,存在一个能够学习这个系统的时间进化法的大脑神经网络(CNN)架构,只有为某个特定示例的计算数据集才能学习这个系统的时间进化法。找到一个能够学习CA的CNN结构。找到一个能够学习CAA的CNN结构,相当于显示一个时间翻转的时序运行操作操作操作器,可以代表一个时间翻转的内向时间变化操作操作器的有限构成,一个时间变化运行自久远的直径线函数和 ReLU 类型非线性功能。作为一个具体的例子,CA区块,可以追溯到时间变变变法的系统,这个结构可以持续地演化自动自动自动自动自动自动自动自动自动自动以来的变压结构的,而演化自动自动自动自动自动的,也可以演。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年10月14日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
19+阅读 · 2018年10月25日
VIP会员
相关VIP内容
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员