درحال بارگذاري...
جستجو
| ایمیل دوست | |
| نام شما | |
| ایمیل شما | |
| کد مقابل را وارد نمایید | |
این صفحه برای دوست شما با موفقیت ارسال شد.
فهرست محتوای دیجیتالی
فهرست مطالب
فهرست نقدها
4250 مرتبه مشاهده شده
تخمین بر هم کنش بین سایت ها توسط شبکه ی عصبی پیچشی و اعمال روش بازبهنجارش روی ماتریس چگالی شبکه
پورمحمد، حمید Pourmohammad, Hamid
- شماره پایان نامه:54878
- کد دانشکده:04
- پديدآور: پورمحمد، حمید
- عنوان:تخمین بر هم کنش بین سایت ها توسط شبکه ی عصبی پیچشی و اعمال روش بازبهنجارش روی ماتریس چگالی شبکه.
- نام دانشگاه/پژوهشگاه:صنعتی شریف
- سال اخذ مدرك:1400.
- نام دانشکده:علوم فیزیک
- مقطع:کارشناسی ارشد
- توصیف ظاهری:103ص.: جدول، نمودار، کتابنامه؛ چکیده به فارسی و انگلیسی
- توصیفگر: شبکه های عمیق Deep Networks
- توصیفگر: مدل آیزینگ Ising model
- توصیفگر: دسته بندی Classification
- توصیفگر: قطع سازی Truncation
- توصیفگر: فضای هیلبرت Hilbert Space
- توصیفگر: شبکه عصبی پیچشی Convolutional Neural Network
- توصیفگر: گروه بازبهنجارش ماتریسی چگالی Density Matrix Renormalization Group
- استاد راهنما. روحانی، شاهین
-
محتواي کتاب
- مشاهده
- تقدیر و تشکر
- چکیدهی فارسی
- فصل ۱: مقدمه
- ۱-1 مقدمه
- ۱-۲ گروه بازبهنجارش
- ۱-۳ بلوکبندی سیستم
- ۱-۴ گروه بازبهنجارش ماتریس چگالی
- ۱-۵ الگوریتم روش گروه بازبهنجارش ماتریس چگالی
- ۱-۶ یادگیری ماشین
- ۱-۷ پرسپترون
- ۱-۸ ایجاد یک شبکه از نورونهای مصنوعی
- ۱-۹ مفاهیم پایهای در شبکههای پیچشی
- ۱-۱۰ هدف ما چیست؟
- فصل 2: گروه بازبهنجارش ماتریس چگالی در مدل آیزینگ
- ۲-۱ مقدمه
- ۲-۲ تبدیل مقیاس و ناورداییِ مقیاس
- ۲-۳ جهانشمولی
- ۲-۴ اعمال فرایند گروه بازبهنجارش روی مدل آیزینگ
- ۲-۵ بلوکبندی یک سیستم با تعداد اجزای زیاد
- ۲-۶ برهمکنشهای درونی و بیرونی بلوک
- ۲-۷ محاسبهی ماتریس چگالی
- ۲-۸ تکرار مراحل محاسباتی در گروه بازبهنجارش ماتریس چگالی
- فصل ۳: مفهوم یادگیری در شبکههای عصبی مصنوعی
- ۳-۱ مقدمه
- ۳-۲ شبکههای عصبی در موجودات زنده
- ۳-۳ آموزش بانظارت و بدون نظارت
- ۳-۴ ورودیهای شبکه (خصیصهها) و چارچوب داده
- ۳-۵ تابع خطا
- ۳-6 چارچوب داده در مسئلههای دستهبندی
- ۳-7 لایههای هموار کننده و هموارسازی دادهها
- ۳-8 یادگیری با روش گرادیان کاهشی
- ۳-9 بهینهسازی غیرخطی
- ۳-10 ویژگیهای توابع فعالسازی
- ۳-11 انواع توابع فعالسازی
- ۳-12 تغییر مقیاس دادهها
- ۳-13 پرسپترونهای چندلایه
- ۳-14 یادگیری انتقالی در شبکههای عصبی
- فصل ۴: شبکههای عصبی پیچشی
- ۴-۱ مقدمه
- ۴-۲ کشف ویژگیهای محلی متفاوت
- ۴-۳ ورودیهای سه بُعدی یا بالاتر
- ۴-۴ لایههای جمعکننده
- ۴-۵ اعمال لایههای کاملاً متصل
- ۴-۶ یک شبکهی عصبی پیچشی کامل
- ۴-۷ تفاوت شبکههای پیچشی با پرسپترونهای چندلایه
- فصل ۵: ارتباط فرایند پیچش با گروه بازبهنجارش ماتریس چگالی
- ۵-۱ مقدمه
- ۵-۲ بلوکبندی
- ۵-۳ وظیفه و اهداف
- ۵-۴ توانمندی در محاسبه
- ۵-۵ همگن یا ناهمگن بودنِ سایتها
- ۵-۶ بررسی طیف انرژی و انرژیگونه
- ۵-۷ رشد فضای هیلبرت
- ۵-۸ هامیلتونی
- ۵-۹ کوتاهسازی فضای هیلبرت
- فصل ۶: درک فرایند پیچش توسط فیزیک آماری
- ۶-۱ مقدمه
- ۶-۲ نگرش شبکههای پیچشی به آرایشها
- ۶-۳ کوتاهسازی نمایش ویژهبردارها
- ۶-۴ ارتباط ویژهبردارها با خروجیها
- ۶-۵ یادگیری در شبکههای پیچشی
- ۶-۶ ارتباط ویژهبردارهای زیرسیستمها با خروجی
- ۶-۷ دستهبندی توسط انسان و رایانه
- ۶-۸ افزایش تعداد قابها
- ۶-۹ تاثیر ویژهحالتهای یک سیستم
- ۶-۱۰ ویژهحالتهای زیرسیستم در یک هامیلتونی ناشناس
- ۶-۱۱ دستهبندی آرایشها
- ۶-۱۲ نتیجه
- منابع و مأخذ
- پیوستها
- پیوست ۱: کُد پایتون رابطهی انرژی در شبیهسازی
- چکیدهی لاتین به همراه کلیدواژهی لاتین