Ein Schema. Drei Punkte oben, beschriftet mit x1, x2 und x3, zu einem Dreieck verbunden, speisen ein neuronales Netz aus Reihen von Knoten mit den Beschriftungen 16.000, 60, 30 und 2. Die zwei Ausgabeknoten unten sind mit conformal, in Rosa, und scale only, in Grau, beschriftet.

Angewandte KI · August–Dezember 2020

Maschinelles Lernen in der konformen Feldtheorie

Ein Machbarkeitsnachweis, dass neuronale Netze Daten konformer Feldtheorien unterscheiden können, mit 95 % Testgenauigkeit auf Spin-Korrelator-Daten.

Kurz gesagt

Chen, He, Lal und Zaz (2020) stellten einen Ansatz mit maschinellem Lernen vor, der konforme Feldtheorien anhand synthetischer Daten klassifiziert. Dieses Abschlussprojekt im Informatik-Nebenfach, im Herbst 2020 gemeinsam mit einem Kommilitonen erarbeitet, sollte ihn reproduzieren, prüfen, wie gut er trägt, und ihn weiterführen.

Rolle
Koautor, mit Joydeep Naskar
Zeitraum
August–Dezember 2020
Repository
github.com/naskarjoydeep/ml-cft
PythonNumPyKeras/TensorFlowscikit-learnNeuronale Netze (MLP)matplotlibJupyterGit

Zum Repository →

Mein Abschlussprojekt im Informatik-Nebenfach am NISER Bhubaneswar, neben den Physikveranstaltungen. Die Referenzpublikation ist arXiv:2006.16114.

Wie

  • Synthetische Daten konformer Feldtheorien mit NumPy erzeugt, als Trainingsdaten für jede Aufgabe.
  • Mehrschichtige Perzeptronen (MLPs) in Keras/TensorFlow darauf trainiert, mit scikit-learn für die Aufteilung der Daten und matplotlib in Jupyter für die Ergebnisse. Der Spin-Korrelator-Klassifikator, zwei dichte Schichten mit Dropout, erreichte 95 % Genauigkeit auf 1.000 zurückgehaltenen Testbeispielen.
  • Die Pipeline in Git geführt, auf getrennten Branches main, data-gen und model.

Ein Liniendiagramm der Genauigkeit in Prozent über der Trainingsepoche, 1 bis 25, für den Spin-Korrelator-Klassifikator. Die Validierungsgenauigkeit, eine rosa Linie mit Punkten, beginnt bei 67, steigt ungleichmäßig und bleibt ab Epoche 17 zwischen 94 und 97. Die Trainingsgenauigkeit, eine gestrichelte graue Linie, steigt von 56 auf 93. Eine gepunktete waagerechte Linie markiert die Testgenauigkeit, 95,1 % auf 1.000 zurückgehaltenen Beispielen. Der Spin-Korrelator-Klassifikator über seine 25 Trainingsepochen, am Ende mit 95,1 % auf zurückgehaltenen Testdaten.