#影客网络科技#如何利用物理思想帮助机器“升维学习”？如何利用物理思想帮助机器“升维学习”

如何利用物理思想帮助机器“升维学习”？

文章图片
中科院物理所
学无国界
我们是知识的搬运工
福利时间
今天我们将送出由中信出版集团提供的优质科普书籍《上帝的骰子》。
【#影客网络科技#如何利用物理思想帮助机器“升维学习”？】量子力学是什么？量子理论跟我又有什么关系？
它是现代科学的前沿阵地，研究比原子还小的微观世界。它一出生就离经叛道，和牛顿分庭抗礼，长大后又把爱因斯坦打得头破血流。人类进入信息新时代，量子技术居功至伟。没有它，就没有电脑、互联网、激光、导航、量子通信和计算机……量子与你我同在。
《上帝的骰子》是一本可以笑着看完的量子物理漫画书，集故事性和科学性于一体。普朗克、爱因斯坦、玻尔、海森伯、薛定谔轮番登场，上演大神的战争，让你轻松了解量子前沿科技。
只要你认真阅读下面的这篇文章，思考文末提出的问题，严格按照互动：你的答案格式在评论区留言，就有机会获得奖品！
作者：JohnPavlus
翻译：xux
审校：Nuor
无论观察角度如何变化，物理学定律都一如既往。如今，计算机基于这一理念，拥有了在更高维的弯曲空间中分析识别的能力。
新的深度学习技术有望比以前更准确地识别CT扫描中的肺部肿瘤，有朝一日可能实现更好的医学诊断。
发展到现在，计算机已经可以驾驶汽车，称霸象棋和围棋之类的棋盘游戏，甚至还可以撰写散文。人工智能的革命很大程度上源于一种人工神经网络的力量。这种神经网络有些特殊，其设计灵感来自哺乳动物视觉皮层中神经元的“连接层” 。事实证明，这些“卷积神经网络（convolutionalneuralnetwork ， CNN）”擅长学习二维数据中的模式——尤其是识别手写的文字或者图片中的物体。
但是，在处理计算机三维动画中形状不规则的模型，或者自动驾驶汽车分析周边环境而生成的“点云”时，这种强大的机器学习架构表现得并不好。这些数据集中没有内置的平面几何形状，超出了卷积神经网络的能力范围。 2016年前后，出现了一种称为几何深度学习（geometricdeeplearning）的新学科，目的就是让卷积神经网络“离开平地” ，摆脱只能处理二维数据的窘境。
最近，研究人员提供了一个新的理论框架，由此构建的神经网络可以学习任意几何表面上的图案模式。由阿姆斯特丹大学和高通AI研究中心的塔可·科恩、莫里斯·韦勒、伯克利·基卡纳奥格鲁和马克斯·韦林（TacoCohen ， MauriceWeiler ， BerkayKicanaoglu和MaxWelling）开发的这些“等规卷积神经网络（gauge-equivariantconvolutionalneuralnetworks）” ，不仅可以检测二维像素阵列中的模式，对检测球体和不对称的弯曲物体也不在话下。韦林说：“这个框架完美地解决了曲面深度学习的问题。 ”
全球气候的模拟数据自然地映射到球面上。等规卷积神经网络在学习这一模式方面，已经大大超越了它的前辈。对于可以在三维水平上捕捉物体的无人机和无人汽车，这一框架也有用武之地。心脏，大脑等器官是由不规则曲面构成的，在分析这些复杂数据的时候，等规卷积神经网络同样可以大施拳脚。
高通公司和阿姆斯特丹大学的机器学习研究者塔科·科恩是等规卷积神经网络的首席设计师之一。
深度学习能够跳出“平地”的解决方案，与物理学也有着深厚的联系。像阿尔伯特·爱因斯坦的广义相对论和粒子物理学的标准模型那样，描述世界的物理理论表现出一种称为“规范不变性（gaugeequivariance）”的性质。这意味着世间的物理量及它们之间关系，不依赖于任意的参照系（或“规范”）；无论观察者是移动还是静止不动，无论尺子上的数字差得多远，它们都保持一致。在那些不同的仪器上进行的测量是可以相互转换的，转换公式蕴含在彼此之间的内在关系中。