#今日论文推荐#PRL速递：机器学习寻找隐藏的对称性

#今日论文推荐#PRL速递：机器学习寻找隐藏的对称性

菲利普·安德森（Philip Anderson）有句名言：“说物理学是关于对称性的研究只是稍微夸张了一点”。事实证明，在物理学和机器学习中，发现对称性对加深理解和有效解决问题都非常有用。 发现对称性是有用的，但也是困难的，因为它们往往不是显性的，而是隐藏的，只有在进行适当的坐标变换后才会被发现。例如，在史瓦西发现黑洞的史瓦西度规后，人们花了17年时间才发现它具有隐藏的平移对称性，即通过巧妙的坐标变换，可以使空间截面具有平移不变性，从而加深了我们对黑洞的理解。 作为一个更简单的例子，图1显示了两个坐标系中的同一个矢量场，其中旋转对称性分别是显性和隐藏的。

研究人员提出了一种机器学习算法，用于自动发现隐藏的对称性（图2）。这里的对称性定义非常广泛，对应于满足微分方程的数据，不仅包括相对于任意李群的不变性（invariance）和等价性（equivariance），还包括模块化（modularity）和哈密尔顿性（Hamiltonicity）。如果发现了一个坐标变换，使这种简化的特性显现出来，不仅可以加深我们对有关系统的理解，还可以为研究它提供一个更有效的数值方法库。

在未来的工作中，在实验和数值模拟的数据中寻找隐藏的对称性将是有趣的。尽管他们的例子中一次涉及的对称性不超过两个，但自动搜索整个常见的对称性库是很简单的，采用最适合的对称性并递归搜索更多的隐藏对称性，直到找到所有的对称性。 目前，该方法只能从预先指定的候选列表中搜索对称性，而不能搜索未知的对称性。在未来的工作中，让未知的对称性也能被搜索到将是非常有趣的。换句话说，如果有任何微分方程被适当变换的数据集所满足，人们将寻求自动发现变换和微分方程。

论文题目：Machine Learning Hidden Symmetries
详细解读：https://www.aminer.cn/research_report/629d70047cb68b460fcb58d6?download=falsehttps://www.aminer.cn/research_report/629d70047cb68b460fcb58d6?download=false
AMiner链接：https://www.aminer.cn/?f=cs