[ad_1]
Bacon, F., L'avancement de l'apprentissage (1605; Paul Dry Books, 2001).
Ouyang, R. et al. SISSO: une méthode de détection comprimée permettant d'identifier le meilleur descripteur de dimension basse dans une immensité de candidats proposés. Phys. Rev. Mat. 2083802 (2018).
Stanev, V. et al. Modélisation par apprentissage automatique de la température critique supraconductrice. Npj Comput. Mater. 429 (2018).
Rosenbrock, C. W., Homer, E. R., Csányi, G. & Hart, G. L. W. Découvrez les blocs de construction des systèmes atomiques à l'aide du machine learning: application aux joints de grains. Npj Comput. Mater. 3, 29 (2017).
Kusne, A. G. et al. Apprentissage automatique à la volée pour les expériences à haut débit: recherche d'aimants permanents sans terres rares. Sci. Représentant. 4, 6367 (2014).
Carrasquilla, J. & Melko, R. G. Apprentissage automatique des phases de la matière. Nat. Phys. 13431–434 (2017).
Carleo, G. & Troyer, M. Résoudre le problème quantique à plusieurs corps avec des réseaux de neurones artificiels. Science 355, 602–606 (2017).
Torlai, G. & Melko, R. G. Décodeur neural pour codes topologiques. Phys. Rev. Lett. 119030501 (2017).
van Nieuwenburg, E. P. L., Liu, Y.-H. & Huber, S. D. L'apprentissage des transitions de phase par confusion. Nat. Phys. 13435–439 (2017).
Broecker, P., Carrasquilla, J., Melko, R., G. et Trebst, S. Apprentissage automatique des phases quantiques de la matière au-delà du problème du signe de fermion. Sci. Représentant. 78823 (2017).
Ch'ng, K., J. Carrasquilla, Melko, R. G. & Khatami, E. Étapes d’apprentissage automatique de fermions fortement corrélés. Phys. Rev. X 7031038 (2017).
Zhang, Y. & Kim, E.-A. Topographie en boucle quantique pour l'apprentissage automatique. Phys. Rev. Lett. 118216401 (2017).
Deng, D.-L., Li, X. et Das Sarma, S. Enchevêtrement quantique dans des états de réseau neuronal. Phys. Rev. X 7021021 (2017).
Stoudenmire, E. M. et Schwab, D. J. Apprentissage supervisé avec des réseaux de tenseurs. Adv. Neural Inf. Processus. Syst. 294799–4807 (2016).
Schindler, F., Regnault, N. et Neupert, T. Explorer la localisation de plusieurs corps avec des réseaux de neurones. Phys. Rev. B 95245134 (2017).
Torlai, G. et al. Tomographie à l'état quantique par réseau neuronal. Nat. Phys. 14447–450 (2018).
Fujita, K. et al. dans Systèmes fortement corrélés: techniques expérimentales (eds Avella, A. et Mancini, F.) 73-109 (Springer, 2015).
Kivelson, S. A., Fradkin, E. et Emery, V. J. Phases électroniques à cristaux liquides d'un isolant de Mott dopé. La nature 393550–553 (1998).
Zaanen, J. Une dimensionnalité auto-organisée. Science 286251-252 (1999).
Keimer, B., Kivelson, S.A., Norman R.M., Uchida, S. & Zaanen, J. De la matière quantique à la supraconductivité à haute température dans les oxydes de cuivre. La nature 518179-186 (2015).
Wang, F. & Lee, D.-H. Le mécanisme d'appariement des électrons des supraconducteurs à base de fer. Science 332200-204 (2011).
Comin, R. & Damaschelli, A. Études résonnantes sur la diffusion des rayons X de l'ordre de charge dans les cuprates. Annu. Rev. Condens. Matière Physique. 7, 369–405 (2016).
Fradkin, E. et al. Fluides de Fermi nématiques en physique de la matière condensée. Annu. Rev. Condens. Matière Physique. 1153–178 (2010).
Fradkin, E., Kivelson, S. A. et Tranquada, J. M. Théorie des ordres entrelacés dans les supraconducteurs à haute température. Rev. Mod. Phys. 87457 (2015).
Hamidian, M.H. et al. Structure électronique à l'échelle atomique de l'état d'onde de densité du facteur de forme de d-symétrie de cuprate. Nat. Phys. 12150-156 (2016).
Robertson, J.A. et al. Modèles distinctifs d’ordre de facturation: bandes ou damiers. Phys. Rev. B 74134507 (2006).
Del Maestro, A., Rosenow, B. et Sachdev, S. De la bande au damier, commande des ondes de densité de charge sur le réseau carré en présence de désordre éteint. Phys. Rev. B 74024520 (2006).
Mesaros, A. et al. 4une
0modulations de densité de charge sur toute la durée du Bi2Sr2CaCu2O8+X régime pseudogap. Proc. Natl Acad. Sci. Etats-Unis 113, 12661-12666 (2016).
Nielsen, M. A. Réseaux de neurones et apprentissage en profondeur (Détermination Press, 2015).
Rumelhart, D. E., Hinton, G. E. et Williams, R. J. Apprentissage des représentations par des erreurs à propagation arrière. La nature 323533-536 (1986).
Couverture, T. M. & Thomas, J. A. Eléments de la théorie de l'information 2nd edn (Wiley, 1991).
Nie, L. et al. Désordre éteint et nematicité vestigiale dans le régime de pseudogap des cuprates. Proc. Natl Acad. Sci. Etats-Unis 111, 7980–7985 (2014).
Cybenko, G. Approximation par superposition d'une fonction sigmoïdale. Math. Contr. Signaux Syst. 2303-314 (1989).
[ad_2]