786
个编辑
更改
跳到导航
跳到搜索
第65行：
第65行： − + − 接下来，我们将详细描述NIS框架的基本概念、优化框架和神经网络架构。+ 第134行：
第134行： − +
→问题描述
在NIS中，解码器和编码器都使用了[[可逆神经网络]]，这样做的好处是，其解码器可由编码器逆转得到，且可以自上而下地从解码器配合随机采样的数据生成微观态细节，属于生成模型的一种。
在NIS中，解码器和编码器都使用了[[可逆神经网络]]，这样做的好处是，其解码器可由编码器逆转得到，且可以自上而下地从解码器配合随机采样的数据生成微观态细节，属于生成模型的一种。
=问题描述=
=数学描述=
接下来，我们将通过数学定义，详细描述NIS框架的基本概念和优化问题。
==基本概念==
==基本概念==
可以通过<math>\phi_q^†</math>重构微观状态时间序列，使得宏观状态变量尽可能多地包含微观状态的信息。
可以通过<math>\phi_q^†</math>重构微观状态时间序列，使得宏观状态变量尽可能多地包含微观状态的信息。
==数学框架==
==最大化有效信息==
为了找到上述各个函数，即有效粗粒化和有效的宏观动力学，NIS提出通过最大化[[有效信息]]（EI）来进行求解。
为了找到上述各个函数，即有效粗粒化和有效的宏观动力学，NIS提出通过最大化[[有效信息]]（EI）来进行求解。