张潘 Pan Zhang
基本信息
姓名
张潘（Pan Zhang）
出生地及日期
1983年11月生于安徽
研究领域
研究方向为统计物理与复杂系统，主要内容如下： 自旋玻璃理论，消息传递算法 组合优化问题 统计物理中的反问题，统计推断问题 随机矩阵，谱算法，谱图理论
主要履历
2000-2004 兰州大学本科
2004-2009 兰州大学硕博, 导师陈勇
2007-2009 中科院理论物理研究所博士联合培养, 导师周海军
2010-2012 意大利都灵理工博后，Riccardo Zecchina组
2012-2013 巴黎E.S.P.C.I.博后，Florent Krzakala组
2013-2015 美国Santa Fe Institute博后，Cris Moore组
2015-至今 中国科学院理论物理研究所副研究员
2016.3 日本京都大学Yukawa Institute for Theoretical Physics 访问副教授
现任中国科学院理论物理研究所教授
发表文章
- Spectral redemption in clustering sparse networksProceedings of the National Academy of Sciences 110 (52), 20935-20940(2013/12/24，引用次数：398)
- Scalable detection of statistically significant communities and hierarchies, using message passing for modularity Proceedings of the National Academy of Sciences 111 (51), 18144-18149（2014/12/23，引用次数：89）
- Model selection for degree-corrected block models Journal of Statistical Mechanics: Theory and Experiment 2014 (5), P05007（2014/5/16，引用次数：70）
- Detectability Thresholds and Optimal Algorithms for Community Structure in Dynamic Networks Physical Review X 6 (3), 031005（2016/7/13，引用次数：56）
- Optimized annealing of traveling salesman problem from the nth-nearest-neighbor distribution Physica A: Statistical Mechanics and its Applications 371 (2), 627-632（2006/11/15，引用次数：39）
科研项目及成果
利用变分自回归网络求解统计力学
计算自由能，估计物理量，生成不相关的样本是统计力学的基本问题。 该项目提出了一个新的框架来解决有限大小系统的统计力学问题， 该方法扩展了已有的基于自回归神经网络的变分平均场方法，该神经网络模型支持配置的归一化概率的直接抽样和精确计算。
网络的训练采用强化学习的策略梯度方法，无偏估计变分参数的梯度。 我们已经成功地将我们的方法应用于几个经典系统，共包括2d Ising 模型、 Hopfield 模型、 sherlington-Kirkpatrick 自旋玻璃模型和逆 Ising 模型。
该论文现已发表在《 Physical Review Letter》上，并作为编辑推荐进行刊登。
基于矩阵乘积状态的无监督生成建模
也许很多读者都熟悉Boltzmann机器，该机器使用Boltzmann分布对数据的联合概率分布进行建模。 玻尔兹曼机是统计学物理对机器学习的重要贡献。 在《 Physical Review X》的这篇论文中，我们提出了一个从量子物理学那里借来的新的无监督机器学习模型，该模型使用博恩法则对数据的联合分布进行建模。 因此，我们称其为“生机”。 该模型将张量网络和生成模型连接起来。
您可以找到有关张量网络，矩阵乘积状态和生成学习的主题的教程和Jupyter文件代码。
基于正则化学习的全局结构稳健谱检测
光谱方法在检测可以表示为矩阵的给定数据中的全局结构时很流行。 但是，当数据矩阵稀疏或嘈杂时，由于稀疏性或噪声引起的特征向量（或奇异向量）的局部化，经典的频谱方法通常无法工作。 在本文（NIPS 2016）中，我们提出了一种通过从局部特征向量学习正则化矩阵来解决局部化问题的通用方法。 这是算法“ X-Laplacian”的演示。
代码戳这里
动态网络中社区结构的可检测性阈值及优化算法
许多现实世界的网络都是动态的，节点会随着时间以复杂的方式更改其连接和从属关系。 这种情况使社区检测更具挑战性，但是跨时间的相关性提供了规避此问题的方法。 在这篇《 Physical Review X》的论文中，我们对恢复动态网络中底层社区结构的能力得出了精确的数学限制，这仅取决于隐藏社区的强度以及节点更改其社区成员的速度。
使用消息传递实现模块化，对具有统计意义的社区和层次结构进行可伸缩性检测
最大化模块化是检测网络社区的最流行方法。 但是，它容易过拟合。
在这篇PNAS论文中，我们与克里斯·摩尔（Cris Moore）一起提出了利用统计物理学的思想来解决这一过拟合问题的方法，并提出了一种用于检测大型网络中社区和阶层的有效算法。
聚类稀疏网络中的光谱兑换
频谱算法是流行的数据聚类方法。 但是，由于存在局部特征向量，它们在稀疏网络中经常失败。
这篇在PNAS上与其他合作者一起发表的论文中，我们给出了一种基于非回溯算子的新频谱算法，该算子对这种疾病具有免疫力，并且在大型稀疏网络中非常有效。
招募信息及联系方式
正在寻找统计物理学和机器学习领域的博士后研究人员
电子邮箱：panzhang@itp.ac.cnn
相关链接
1、张潘个人主页