1,068
个编辑
更改
跳到导航
跳到搜索
第538行：
第538行： + + + + + + + + + + + + + + + + + + +
→编者推荐
===集智课程===
===集智课程===
[https://campus.swarma.org/mobile/course/1540 重整化群理论]
[[file:358e12f6f2d518a723caabc6c0bd910c.png |300px|thumb|right|图3：陈晓松，北京师范大学系统科学学院教授、院长。从事统计物理与复杂系统研究。研究方向包括复杂系统的统计物理、相变与临界现象、气候系统的统计物理等。]]
本课程讲师为陈晓松（图3）。
在理论物理中，重整化群（renormalization group，简称RG）是一个在不同长度标度下考察物理系统变化的数学工具。标度上的变化称为“标度变换”。重整化群与“标度不变性”和“共形不变性”的关系较为紧密。共形不变性包含了标度变换，它们都与自相似有关。在重整化理论中，系统在某一个标度上自相似于一个更小的标度，但描述它们组成的参量值不相同。系统的组成可以是原子，基本粒子，自旋等。系统的变量是以系统组成之间的相互作用来描述。
本课程中，主要讲解了重整化群理论的历史发展与Wilson 提出此理论的关键点。
[https://campus.swarma.org/mobile/course/3254 深度学习和重整化群]
加州大学圣地亚哥分校助理教授尤亦庄将带你共同梳理关于重整化技术的一些历史脉络和进展，带你一窥重整化技术的本质，本次分享主要围绕以下内容开展： 1. 重整化理论的历史、现状与未来 2. 以Ising模型为例介绍机器学习重整化 3. 重整化方案的设计原则 4. 全息重整化及应用。
[https://campus.swarma.org/course/2318 人脸和宇宙是啥关系？看物理学家怎样用重整化流重新理解视觉]
深度学习技术，尤其是生成模型在图像问题处理上大放异彩。 而生成模型之所以展现出强大的多层信号处理能力，与物理学中的重整化群理论密切相关。研究者结合重整化群方法和流模型，开发出可以发现自然作用力的AI“物理学家”，以及具有高可解释性与可控性的计算机视觉生成模型。相关研究发表在 Physical Review Research、Physical Review Letters 等期刊上，本文是对该研究方向的介绍。