XiaoMi-AI文件搜索系统
World File Search System物理解释
非归一化谐波的物理解释......
不可归一化状态很难用正统的量子形式来解释，但通常作为量子引力中物理约束的解出现。我们认为，导航波理论对不可归一化量子态给出了直接的物理解释，因为该理论只需要配置的归一化密度即可生成统计预测。为了更好地理解这种状态，我们从导航波的角度对谐振子的不可归一化解进行了首次研究。我们表明，与正统量子力学的直觉相反，不可归一化本征态及其叠加态是束缚态，因为速度场 v y → 0 大于 ± y 。我们认为，为这种状态定义一个物理上有意义的平衡密度需要一个新的平衡概念，称为导航波平衡，它是量子平衡概念的概括。我们定义了一个新的 H 函数 H pw ，并证明导航波平衡中的密度使 H pw 最小化，是等变的，并且随时间保持平衡。在与放松到量子平衡的假设类似的假设下，我们证明了粗粒度 H pw 的 H 定理。我们从由于扰动和环境相互作用导致的不可归一化状态的不稳定性的角度解释了导航波理论中量化的出现。最后，我们讨论了在量子场论和量子引力中的应用，以及对导航波理论和量子基础的一般影响。
本构模型的物理解释神经网络
(人工)神经网络在力学和材料科学领域越来越受欢迎，它利用模型降阶技术加速计算，并作为各种材料的通用模型。然而，神经网络的主要缺点仍然存在：它们的众多参数难以解释和解释。因此，神经网络通常被称为黑匣子，其结果往往难以人类解释。物理信息神经网络这一新兴的活跃领域试图通过基于机械知识设计深度神经网络来减轻这一缺点。通过利用这种先验知识，更深层、更复杂的神经网络变得可行，因为机械假设可以得到解释。然而，神经网络参数的内部推理和解释仍然是个谜。作为物理信息方法的补充，我们提出了迈向物理解释方法的第一步，该方法对在机械数据上训练的神经网络进行后验解释。这种概念验证可解释的人工智能方法旨在阐明神经网络的黑匣子及其高维表示。其中，主成分分析将 RNN 单元状态中的分布式表示去相关，并允许与已知和基本函数进行比较。这种新方法由系统超参数搜索策略支持，该策略可识别最佳神经网络架构和训练参数。三个关于基本本构模型（超弹性、弹塑性和粘弹性）的案例研究的结果表明，所提出的策略可以帮助识别数值和分析闭式解来表征新材料。