Buchumschlag

A differentiable programming framework for spin models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Farias, Tiago de Souza, Schultz, Vitor Vaz, Mombach, José Carlos Merino, Maziero, Jonas
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Statistical Mechanics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep generative modelling of canonical ensemble with differentiable thermal properties
von: Li, Shuo-Hui, et al.
Veröffentlicht: (2024)

A renormalization-group inspired lattice-based framework for piecewise generalized linear models
von: Chang, Joshua C.
Veröffentlicht: (2026)

Polyformer: a generative framework for thermodynamic modeling of polymeric molecules
von: Valentini, Alessio, et al.
Veröffentlicht: (2026)

Computationally sufficient statistics for Ising models
von: Jayakumar, Abhijith, et al.
Veröffentlicht: (2026)

A theoretical framework for overfitting in energy-based modeling
von: Catania, Giovanni, et al.
Veröffentlicht: (2025)

Data driven modeling for self-similar dynamics
von: Tao, Ruyi, et al.
Veröffentlicht: (2023)

Plastic tensor networks for interpretable generative modeling
von: Akamatsu, Katsuya O., et al.
Veröffentlicht: (2025)

All you need is spin: SU(2) equivariant variational quantum circuits based on spin networks
von: East, Richard D. P., et al.
Veröffentlicht: (2023)

Learning quantum many-body data locally: A provably scalable framework
von: Chinzei, Koki, et al.
Veröffentlicht: (2025)

Speed-accuracy relations for diffusion models: Wisdom from nonequilibrium thermodynamics and optimal transport
von: Ikeda, Kotaro, et al.
Veröffentlicht: (2024)

Fermi-Dirac thermal measurements: A framework for quantum hypothesis testing and semidefinite optimization
von: Liu, Nana, et al.
Veröffentlicht: (2026)

Optimised Feature Subset Selection via Simulated Annealing
von: Martínez-García, Fernando, et al.
Veröffentlicht: (2025)

Dynamical Regimes of Diffusion Models
von: Biroli, Giulio, et al.
Veröffentlicht: (2024)

Capturing reduced-order quantum many-body dynamics out of equilibrium via neural ordinary differential equations
von: Egenlauf, Patrick, et al.
Veröffentlicht: (2025)

Discrete generative diffusion models without stochastic differential equations: a tensor network approach
von: Causer, Luke, et al.
Veröffentlicht: (2024)

Susceptibilities and Patterning: A Primer on Linear Response in Bayesian Learning
von: Elliott, Chris, et al.
Veröffentlicht: (2026)

SETOL: A Semi-Empirical Theory of (Deep) Learning
von: Martin, Charles H, et al.
Veröffentlicht: (2025)

Beyond Explained Variance: A Cautionary Tale of PCA
von: Marchetti, Gionni
Veröffentlicht: (2026)

Thermodynamic Isomorphism of Transformers: A Lagrangian Approach to Attention Dynamics
von: Kim, Gunn
Veröffentlicht: (2026)

Ridge Regression from Poisson Resetting: A Renewal Perspective on Spectral Regularization
von: Jolakoski, Petar
Veröffentlicht: (2026)

Efficient Identification of Critical Transitions via Flow Matching: A Scalable Generative Approach for Many-Body Systems
von: Lee, Qian-Rui, et al.
Veröffentlicht: (2025)

Learning the Intrinsic Dimensionality of Fermi-Pasta-Ulam-Tsingou Trajectories: A Nonlinear Approach using a Deep Autoencoder Model
von: Marchetti, Gionni
Veröffentlicht: (2026)

Review and Prospect of Algebraic Research in Equivalent Framework between Statistical Mechanics and Machine Learning Theory
von: Watanabe, Sumio
Veröffentlicht: (2024)

Statistics of Min-max Normalized Eigenvalues in Random Matrices
von: Nakada, Hyakka, et al.
Veröffentlicht: (2025)

Laws of thermodynamics for exponential families
von: Balsubramani, Akshay
Veröffentlicht: (2025)

$α$-divergence Improves the Entropy Production Estimation via Machine Learning
von: Kwon, Euijoon, et al.
Veröffentlicht: (2023)

Learned Mappings for Targeted Free Energy Perturbation between Peptide Conformations
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2023)

Exact Fractional Inference via Re-Parametrization & Interpolation between Tree-Re-Weighted- and Belief Propagation- Algorithms
von: Behjoo, Hamidreza, et al.
Veröffentlicht: (2023)

Identifying percolation phase transitions with unsupervised learning based on largest clusters
von: Xu, Dian, et al.
Veröffentlicht: (2023)

Learning from higher-order statistics, efficiently: hypothesis tests, random features, and neural networks
von: Székely, Eszter, et al.
Veröffentlicht: (2023)

Improving FMQA via Initial Training Data Design Considering Marginal Bit Coverage in One-Hot Encoding
von: Hayashi, Taiga, et al.
Veröffentlicht: (2026)

Combining Reinforcement Learning and Tensor Networks, with an Application to Dynamical Large Deviations
von: Gillman, Edward, et al.
Veröffentlicht: (2022)

Scalable Boltzmann Generators for equilibrium sampling of large-scale materials
von: Schebek, Maximilian, et al.
Veröffentlicht: (2025)

Emergence of Nonequilibrium Latent Cycles in Unsupervised Generative Modeling
von: Baiesi, Marco, et al.
Veröffentlicht: (2025)

Posterior Collapse as Automatic Spectral Pruning
von: Hirn, Johannes
Veröffentlicht: (2026)

Machine Learning H-theorem
von: Lier, Ruben
Veröffentlicht: (2025)

The impact of memory on learning sequence-to-sequence tasks
von: Seif, Alireza, et al.
Veröffentlicht: (2022)

Discovering Causal Structure with Reproducing-Kernel Hilbert Space $ε$-Machines
von: Brodu, Nicolas, et al.
Veröffentlicht: (2020)

Landscape Complexity for the Empirical Risk of Generalized Linear Models: Discrimination between Structured Data
von: Tsironis, Theodoros G., et al.
Veröffentlicht: (2025)

Dynamical symmetries in the fluctuation-driven regime: an application of Noether's theorem to noisy dynamical systems
von: Vastola, John J.
Veröffentlicht: (2025)