从纯概率视角看Hamiltonian Monte Carlo的笔记 [P]
摘要
作者分享了从概率视角解释Hamiltonian Monte Carlo (HMC)的笔记，以增强理解，而不依赖于基于物理的动机。
我一直在学习Hamiltonian Monte Carlo，并写了一组笔记来解释HMC，而不依赖于通常的基于物理的动机。这些笔记从概率/MCMC视角发展HMC，从引入辅助变量、构建相应的马尔可夫链开始，然后涵盖哈密顿动力学、蛙跳积分、可逆性和体积保持。目标是理解HMC为什么有效，而不是将物理类比作为前提。我在此分享这些笔记，以防它们对其他学习HMC的人有帮助。我也非常欢迎任何反馈，特别是如果您发现错误或阐述可以改进的地方。https://doi.org/10.5281/zenodo.21841087
相似文章
Neural Non-Equilibrium Hamiltonian Monte Carlo 用于修正玻尔兹曼采样
本文介绍了 Neural Non-Equilibrium Hamiltonian Monte Carlo (NHMC)，这是一种先训练后修正的方法，通过学习随机哈密顿风格路径并利用非平衡功进行校正，从而从未归一化的玻尔兹曼密度中采样。
从微分几何视角看哈密顿神经网络
一篇博客文章，通过微分几何解释哈密顿神经网络，使用简单的质量-弹簧系统演示如何通过网络架构施加守恒定律以实现更高效的学习。作者从基础微积分开始逐步构建了辛流形和泊松括号等数学工具。
用于电力磁性元件瞬态磁化预测的物理信息混合神经算子
本预印本提出了PI-HNO，一种用于电力磁性元件瞬态磁化预测的物理信息混合神经算子，在每种材料模型仅使用4,777个可训练参数的情况下，实现了较低的B-H能量一致性误差。
Quantum Port-Hamiltonian Neural Networks：通过测量诱导非线性学习保守与耗散动力学
介绍了Quantum Port-Hamiltonian Neural Networks (Q-pHNNs)，它利用具有测量诱导非线性的量子电路学习经典动力学，同时保持守恒和耗散特性。实验表明，能量漂移较小，且阻尼系数识别准确。
使用端口-哈密顿神经网络识别非线性弦动力学
本文扩展了端口-哈密顿神经网络（PHNNs）到偏微分方程（PDEs）中，用于从数据中学习非线性弦动力学。该方法能够同时恢复哈密顿量和耗散，在准确性和可解释性方面优于非物理信息基线方法。