Python和MATLAB自旋玻璃投资组合神经网络广义方程

🎯要点

1. 投资者根据多个目标和风险承受能力找到最佳分配权重，获得更高夏普比率。
2. 模拟自旋玻璃模型，绘制模型测量热图以及量子近似优化算法
3. 神经网络广义方程对免疫库分类学习

🍁三种广义方程结构

🍪语言内容分比

🍇Python自旋玻璃

在凝聚态物理学中，自旋玻璃是一种以随机性为特征的磁态，此外在称为“冻结温度”的温度下自旋冻结时具有协同行为。$T_f$ 在铁磁固体中，组成原子的磁自旋都沿同一方向排列。与铁磁体相比，自旋玻璃被定义为“无序”磁态，其中自旋随机排列或没有规则模式，耦合也是随机的。

“玻璃”一词源于自旋玻璃中的磁无序与传统化学玻璃（例如窗玻璃）的位置无序之间的类比。在窗玻璃或任何非晶态固体中，原子键结构非常不规则。相反，晶体具有均匀的原子键模式。在铁磁固体中，磁自旋都沿同一方向排列，这类似于晶体的晶格结构。

自旋玻璃主要有两个方面。在物理方面，自旋玻璃是具有独特性质的真实材料。在数学方面，受真实自旋玻璃启发的简单统计力学模型得到了广泛的研究和应用。自旋玻璃及其内部产生的复杂内部结构被称为“亚稳态”，因为它们“卡”在除最低能量配置（对齐和铁磁性）之外的稳定配置中。这些结构的数学复杂性很难，但通过实验或模拟进行研究很有成效；可应用于物理学、化学、材料科学和计算机科学中的人工神经网络。

让我们采用蒙特卡洛模拟，看看当我们改变 $p$ 时会发生什么。我们将取一个大小为 $N\times N$ 的数组，并根据上面的概率开始填充旋转。首先，我们必须引入一个额外的概率 $p_0$，即第一个（假设左上角）旋转为 $\uparrow$ 的概率。一旦我们设置了第一个旋转，我们就可以设置第一行中的其余旋转。一旦我们到达第二行，我们就会遇到困难。它上面的旋转已经设置好了，所以这些旋转有 2 个已设置的邻居。我们需要以与 $p$ 的基本定义一致的方式，给定 2 个邻居 $n_1$ 和 $n_2$，计算条件概率 $P\left(s=\uparrow \mid n_1=.,n_2=.\right)$。利用贝叶斯定理，对于 $P\left(s=\uparrow \mid n_1=\uparrow ,n_2=\uparrow \right)$ 的具体情况：
$$P\left(s=\uparrow \mid n_1=\uparrow ,n_2=\uparrow \right)=\frac{P\left(s=\uparrow ,n_1=\uparrow ,n_2=\uparrow \right)}{P\left(s=\uparrow ,n_1\uparrow \uparrow ,n_2=\uparrow \right)+P\left(s=\downarrow ,n_1=\uparrow ,n_2=\uparrow \right)}$$
联合三元组概率很容易计算，我们可以考虑先以概率 $p_0$ 设置 $s$，然后以概率 $p$ 设置左邻居和右邻居：
$$P\left(s=\uparrow ,n_1=\uparrow ,n_2=\uparrow \right)=p_0{p}^2$$
用 Python 代码表达，calculate_conditional_probs_for_1() 返回 $P\left(s=\uparrow ,n_1=.,n_2=.\right)$ 的条件概率：

def calculate_conditional_probs_for_1(p0, p):
    q = 1 - p
    joint_probs = {
        '000': p0 * p * p,
        '111': p0 * p * p,
        '010': p0 * q * q,
        '101': p0 * q * q,
        '110': p0 * p * q,
        '011': p0 * p * q,
        '001': p0 * p * q,
        '100': p0 * p * q,
    }
    return {
        '00': joint_probs['010']/(joint_probs['010']+joint_probs['000']),
        '01': joint_probs['011']/(joint_probs['011']+joint_probs['001']),
        '10': joint_probs['110']/(joint_probs['110']+joint_probs['100']),
        '11': joint_probs['111']/(joint_probs['111']+joint_probs['101']),
    }

其余部分：

def make_unconditional_set(p0):
    return lambda: random() < p0

def make_conditional_set_one_neighbour(p):
    return lambda n: (n) if (random() < p) else (1 - n)

def make_conditional_set_two_neighbours(p0, p):
    conditional_probs_for_1 = calculate_conditional_probs_for_1(p0, p)
    return lambda n1, n2: random() < conditional_probs_for_1[str(int(n1))+str(int(n2))]

def create_grid(rows, cols, p0, p):
    unconditional_set = make_unconditional_set(p0)
    conditional_set_one_neighbour = make_conditional_set_one_neighbour(p)
    conditional_set_two_neighbours = make_conditional_set_two_neighbours(p0, p)
    grid = np.zeros([rows, cols], dtype=np.bool)    
    # first element
    grid[0, 0] = unconditional_set()
    # first row
    for j in range(1, cols):
        grid[0, j] = conditional_set_one_neighbour(grid[0, j-1])
    # remaining rows
    for i in range(1, rows):
        grid[i, 0] = conditional_set_one_neighbour(grid[i-1, 0])
        for j in range(1, cols):
            grid[i, j] = conditional_set_two_neighbours(grid[i-1, j], grid[i, j-1])
    return grid

def show(grid):
    plt.imshow(grid, cmap='hot', interpolation='nearest')
    plt.show()

让我们用 $p_0=0.5$ 和 $p=0.7$ 来运行它并看看结果：

show(create_grid(rows=10, cols=10, p0=0.5, p=0.7))

为了确保数学和逻辑是正确的。让我们用上述规则模拟一个大的 100 × 100 100 × 100 自旋玻璃，然后计数所有对，并确保原始条件概率成立：

num_simulations = 100
rows, cols, p0, p = 100, 100, 0.5, 0.70
same, total = 0, 0
for _ in range(num_simulations):
    grid = create_grid(rows, cols, p0, p)
    for i in range(0, rows-1):
        for j in range(0, cols-1):
            if grid[i, j] == grid[i+1, j]:
                same += 1
            if grid[i, j] == grid[i, j+1]:
                same += 1
            total += 2
measured_p = same/total
print(f'Ran {num_simulations} Monte Carlo simulations for grid size {rows}x{cols} with p={p}, measured p was {measured_p:.2}')

输出：

Ran 100 Monte Carlo simulations for grid size 100x100 with p=0.7, measured p was 0.7

👉更新：亚图跨际