From Physics to Probability: Hamiltonian Mechanics for Generative Modeling and MCMC
汉密尔顿力学是一种描述物理系统（如行星或钟摆）的方式，随着时间的推移，专注于能量而不是力量。通过通过能量镜头重新构架复杂的动力学，这个19世纪的物理框架现在可以为尖端生成的AI提供动力。它使用广义坐标（q）（例如位置）及其共轭动量（P）（与动量有关），形成捕获系统状态的相空间。这种方法对于具有多个部分的复杂系统特别有用，可以更轻松地找到模式和保护定律。从物理学到概率的帖子：用于生成建模的汉密尔顿力学和MCMC的机制首先出现在数据科学方面。
A new computational method for super-large-scale atomic structures
新的理论物理学研究引入了一种基于机器学习的有效哈密顿量的模拟方法，用于超大级原子结构。这种有效的哈密顿方法可以模拟比基于量子机制和经典力学的方法更大的结构。
柏林自由大学、马里兰大学和 NIST、谷歌 AI 和阿布扎比的研究人员着手稳健地估计超导量子模拟器中玻色子激发的自由哈密顿参数。他们开发的协议概述在 arXiv 上预先发表的一篇论文中，可能有助于实现超越传统计算机极限的高精度量子模拟。
Debt and taxes, past and present
西蒙·约翰逊（Simon Johnson）在今天的纽约时报经济体中提供了简短的课程。现在，我们再次发现自己要辩论基本的哈密顿问题：在联邦一级，谁会向谁付给谁，到底是多少？ […]但是，我们现在愿意辩论实际问题：税收，医疗保健费用以及过去和现在的债务和税收的[…]哪种[…]首次出现在附带经济学家上。
