論文の概要: Autonomous Discovery of the Ising Model's Critical Parameters with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2601.05577v1
• Date: Fri, 09 Jan 2026 06:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.877148
• Title: Autonomous Discovery of the Ising Model's Critical Parameters with Reinforcement Learning
• Title（参考訳）: 強化学習によるイジングモデルの臨界パラメータの自律的発見
• Authors: Hai Man, Chaobo Wang, Jia-Rui Li, Yuping Tian, Shu-Gang Chen,
• Abstract要約: 本研究は,エージェントが物理的環境と自律的に対話することを可能にする,物理に着想を得た適応型強化学習フレームワークを提案する。 本アルゴリズムは, 位相遷移を連想させる探索挙動を示し, 初期条件によらず効率的に目標パラメータに収束する。
• 参考スコア（独自算出の注目度）: 7.2581513446221315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional methods for determining critical parameters are often influenced by human factors. This research introduces a physics-inspired adaptive reinforcement learning framework that enables agents to autonomously interact with physical environments, simultaneously identifying both the critical temperature and various types of critical exponents in the Ising model with precision. Interestingly, our algorithm exhibits search behavior reminiscent of phase transitions, efficiently converging to target parameters regardless of initial conditions. Experimental results demonstrate that this method significantly outperforms traditional approaches, particularly in environments with strong perturbations. This study not only incorporates physical concepts into machine learning to enhance algorithm interpretability but also establishes a new paradigm for scientific exploration, transitioning from manual analysis to autonomous AI discovery.
• Abstract（参考訳）: 伝統的に臨界パラメータを決定する方法は、しばしば人間の要因に影響される。 本研究は,Isingモデルにおける臨界温度と各種臨界指数の両方を精度良く識別し,エージェントが物理的環境と自律的に相互作用することのできる,物理に着想を得た適応型強化学習フレームワークを提案する。 興味深いことに,本アルゴリズムは位相遷移を連想させる探索挙動を示し,初期条件によらず効率的に対象パラメータに収束する。 実験により, この手法は従来のアプローチ, 特に強い摂動環境において有意に優れていた。 この研究は、物理概念を機械学習に組み込んで、アルゴリズムの解釈可能性を高めるだけでなく、手動分析から自律的なAI発見へと移行する、科学的な探索のための新しいパラダイムも確立している。

関連論文リスト

• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
  本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。 主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
  論文  参考訳（メタデータ） (2023-09-27T15:41:12Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Automatic Differentiation and Continuous Sensitivity Analysis of Rigid Body Dynamics [15.565726546970678]
  剛体力学のための微分可能な物理シミュレータを提案する。 軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-01-22T03:54:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。