更改

王磊、尤亦庄等由标准化流技术提出了使用神经网络来对数据进行[[重整化]]的技术，并提出了[[神经重整化群]]的技术方案，并将其应用到图像生成、[[量子场论]]和宇宙学之中。给定一组图像，或一个场论的模拟数据，训练一个基于流的分层深度生成神经网络模型，这样，神经网络就能开发出最优的[[重整化群]]变换。[[标准化流]]模型和NIS在某些方面具有相似性。它们都致力于使用[[可逆神经网络]]（INN）将复杂的微观状态<math>s</math>映射到更简单的宏观状态<math>S</math>，即粗粒化过程。在这种粗粒化之后，二者都试图通过优化某损失函数<math>L(s,S)</math>，从而提取出系统中重要的宏观状态特征。这种方法可以帮助理解复杂系统中的涌现现象，在数据建模和分析中有较大应用潜力。

王磊、尤亦庄等由标准化流技术提出了使用神经网络来对数据进行[[重整化]]的技术，并提出了[[神经重整化群]]的技术方案，并将其应用到图像生成、[[量子场论]]和宇宙学之中。给定一组图像，或一个场论的模拟数据，训练一个基于流的分层深度生成神经网络模型，这样，神经网络就能开发出最优的[[重整化群]]变换。[[标准化流]]模型和NIS在某些方面具有相似性。它们都致力于使用[[可逆神经网络]]（INN）将复杂的微观状态<math>s</math>映射到更简单的宏观状态<math>S</math>，即粗粒化过程。在这种粗粒化之后，二者都试图通过优化某损失函数<math>L(s,S)</math>，从而提取出系统中重要的宏观状态特征。这种方法可以帮助理解复杂系统中的涌现现象，在数据建模和分析中有较大应用潜力。

==可逆神经网络技术==

==可逆神经网络技术==