論文の概要: Weight-Space Physics: Interpretable Hypernetworks for Lattice Quantum Field Theories

• arxiv url: http://arxiv.org/abs/2607.07127v1
• Date: Wed, 08 Jul 2026 08:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.320599
• Title: Weight-Space Physics: Interpretable Hypernetworks for Lattice Quantum Field Theories
• Title（参考訳）: 重力空間物理:格子量子場理論のための解釈可能なハイパーネット
• Abstract要約: 本稿では,JEPAWG(JEP-Embedding Predictive Architecture-based Weight Generator)を紹介する。 結合を直接、学習された潜在空間を介してフローウェイトにマッピングする。 ジェネレータとしてJEPAWGは、見えない結合を効果的に補間し、外挿する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lattice field theory is the workhorse of non-perturbative physics, used to simulate phenomena from the strong nuclear force to critical phenomena in materials. Its Boltzmann distributions are parametrized analytically by coupling constants, but these bare parameters are weak predictors of observables -- extracting physics typically requires extensive simulation. While normalizing flows have emerged as effective samplers at fixed couplings, it remains difficult to interpret what these networks have learned. This raises a natural question: can the physics be read off directly from the flow network parameters themselves, and can those parameters be generated for unseen theories? We propose lattice field theory as a testbed for neural network interpretability: because the target physics is qualitatively well-understood and smoothly varying, it provides ideal synthetic data with known ground truth. To this end, we introduce JEPAWG, a Joint-Embedding Predictive Architecture-based Weight Generator that maps couplings directly to flow weights via a learned latent space. On a scalar theory at lattices of size $6^2$ to $11^2$, the JEPAWG latent space recovers the correct intrinsic dimension of the underlying manifold, locates the phase transition, and encodes a finite-size shift aligned with the 2D Ising exponent $ν\approx 1$, allowing us to uncover physical structure by studying the network weights alone. This suggests the fascinating idea of treating the network weights as a new type of physical observable. As a generator, JEPAWG also interpolates and extrapolates to unseen couplings effectively and remains robust to weight-space discontinuities introduced by multi-seed training data, outperforming PCA, AE, and VAE baselines.
• Abstract（参考訳）: 格子場理論(英語: Lattice field theory)は、強い核力から物質における臨界現象までの現象をシミュレートするために用いられる非摂動物理学の成果である。 ボルツマン分布は結合定数によって解析的にパラメータ化されるが、これらの素パラメータは可観測物の弱い予測因子である。 固定結合の効果的なサンプルとして正規化フローが登場したが、これらのネットワークが何を学んだかを理解することは困難である。 物理はフローネットワークのパラメータから直接読み取ることができ、これらのパラメータは目に見えない理論のために生成できるのか? ニューラルネットワークの解釈可能性テストベッドとして格子場理論を提案する: 対象物理は定性的によく理解され、滑らかに変化するため、既知の基底真理を持つ理想的な合成データを提供する。 この目的のために、我々はJEPAWG(Joint-Embedding Predictive Architecture-based Weight Generator)を紹介した。 6^2$ から 11^2$ の格子におけるスカラー理論では、JEPAWG 潜在空間は基礎多様体の正しい固有次元を復元し、位相遷移を探索し、2D Ising exponent $ν\approx 1$ に沿った有限サイズのシフトを符号化し、ネットワークウェイトのみを研究することによって物理的構造を明らかにすることができる。 これは、ネットワークの重みを新しい物理観測可能なものとして扱うという興味深いアイデアを示唆している。 ジェネレータとして、JEPAWGは効果的に結合を補間し外挿し、マルチシードトレーニングデータ、PCA、AE、VAEベースラインを上回り、重量空間の不連続に対して頑健である。

関連論文リスト

• Can Deep Learning Achieve Cross-Physics Mapping? [7.103004812157351]
  CPM(Cross-Physics Mapping)は、不均一な物理領域間のマッピングのための演算子学習フレームワークである。 ResUNet, DeepONet, Fourier, latent, wavelet, U-shaped, Galerkinの7つのアーキテクチャを拡散-波動-拡散マッピングと波動-拡散マッピングの両方で評価した。
  論文  参考訳（メタデータ） (2026-09-15T08:45:23Z)
• PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
  物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 世界座標で表される3Dメッシュとしてオブジェクトを表す。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-06-25T17:59:00Z)
• UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching [29.8272108619491]
  UNIPIXIEは、単一の視覚入力から物理的に可視な材料特性の連続経路を予測するために訓練されたフレームワークである。 PIXIEMULTIVERSEデータセット上で物体の最も軟弱なスペクトルに沿った直接マッピングを学習することで、UNIPIXIEは多様な物理的に有効な物質場を制御可能な生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:08:23Z)
• Mesh Field Theory: Port-Hamiltonian Formulation of Mesh-Based Physics [5.4806374384787695]
  MeshFT-Netは、メッシュベースの連続体物理学のための構造保存フレームワークである。 物理の位相構造と計量構造をきれいに分離する。 非物理的自由度を排除し、メートル法に依存した構造のみを学ぶことで、MeshFTは安定的で忠実で、データ効率の学習に基づく物理シミュレーションのための原則化された帰納バイアスを提供する。
  論文  参考訳（メタデータ） (2026-05-01T04:35:21Z)
• The Inductive Bias of Convolutional Neural Networks: Locality and Weight Sharing Reshape Implicit Regularization [57.37943479039033]
  本研究では,勾配降下における安定性現象によって引き起こされる暗黙の正則化に,アーキテクチャ的帰納バイアスがどう影響するかを考察する。 局所性と重量共有が根本的に変化していることが示されています。
  論文  参考訳（メタデータ） (2026-03-05T04:50:51Z)
• Adiabatic Fine-Tuning of Neural Quantum States Enables Detection of Phase Transitions in Weight Space [0.0]
  我々は,位相図上でNQSを訓練し,異なるモデル間で強く相関する重み表現をもたらすアディバティック微調整を導入する。 この重み空間の相関により、トレーニングされたネットワーク重みだけを解析することによって量子系の相転移を検出することができる。 この結果は,物理相転移とニューラルネットワークパラメータの幾何の関連性を確立し,物理における機械学習モデルの解釈可能性の新しい方向性を開拓する。
  論文  参考訳（メタデータ） (2025-03-21T13:42:11Z)
• Hamiltonian Mechanics of Feature Learning: Bottleneck Structure in Leaky ResNets [58.460298576330835]
  ResNets と Fully-Connected Nets を相互接続する Leaky ResNets について「有効深度」に依存して検討する。 この直感を利用して、以前の研究で見られるように、ボトルネック構造の出現を説明する。
  論文  参考訳（メタデータ） (2024-05-27T18:15:05Z)
• Emergent Holographic Forces from Tensor Networks and Criticality [0.0]
  本稿では,AdS/CFTのマルチスケールエンタングルメント再正規化アンサッツモデルを効率的に実装する。 この最適化テンソルネットワークから生じるバルク理論は、魅力的な相互作用を持つ励起を与える。
  論文  参考訳（メタデータ） (2024-01-24T17:03:03Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
  本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。 結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
  論文  参考訳（メタデータ） (2020-07-09T01:45:06Z)
• Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
  ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。 素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
  論文  参考訳（メタデータ） (2020-06-08T17:54:43Z)

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。