ディープラーニングと物理学―原理がわかる、応用ができる

田中 章詞/富谷 昭夫/橋本 幸士【著】

講談社（2019/06発売）

• サイズ A5判／ページ数 300p／高さ 21cm
• 商品コード 9784065162620
• NDC分類 007.1
• Cコード C3041

出版社内容情報

人工知能技術の中枢をなす深層学習と物理学との繋がりを俯瞰する。物理学者ならではの視点で原理から応用までを説く、空前の入門書。

内容説明

物理学者ならではの視点で原理から応用までを説く、空前の入門書。物理は機械学習に役立つ！機械学習は物理に役立つ！

目次

はじめに：機械学習と物理学
第１部　物理から見るディープラーニングの原理（機械学習の一般論；ニューラルネットワークの基礎；発展的なニューラルネットワーク；サンプリングの必要性と原理；教師なし深層学習）
第２部　物理学への応用と展開（物理学における逆問題；相転移をディープラーニングで見いだせるか；力学系とニューラルネットワーク；スピングラスとニューラルネットワーク；量子多体系、テンソルネットワークとニューラルネットワーク；超弦理論への応用；おわりに）

著者等紹介

田中章詞［タナカアキノリ］
博士（理学）。２０１４年大阪大学大学院理学研究科物理学専攻博士後期課程修了。現在、理化学研究所特別研究員（革新知能統合研究センター／数理創造プログラム）

富谷昭夫［トミヤアキオ］
博士（理学）。２０１４年大阪大学大学院理学研究科物理学専攻博士後期課程修了。現在、理化学研究所基礎科学特別研究員（理研ＢＮＬ研究センター計算物理研究グループ）

橋本幸士［ハシモトコウジ］
理学博士。２０００年京都大学大学院理学研究科博士課程修了。現在、大阪大学大学院理学研究科教授（本データはこの書籍が刊行された当時に掲載されていたものです）
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。

感想・レビュー

※以下の感想・レビューは、株式会社ドワンゴの提供する「読書メーター」によるものです。

[こたろう]

物理の視点からのDeep Learningの解説という本。物理(特に統計力学)・統計学・確率・ニューラルネットの知識がないと、読み進めるのが辛い…。対象読者は、物理の知識ある人なのだから、それは正しい記載内容なのかもしれない。第1部は、物理側からNNの数式をみるとどういうふうに見えるのか。また、数式が通常のNN本の表現方法とは違う。第2部は、物理のどんな分野にNNが応用されているのかという紹介。第1部と第2部の最初ぐらいは、読める人は多そう。第2部の最後は専門分野の人しか理解できないような気が…

2019/09/03

[S]

機械学習と物理学の関係。ざっとした説明の中に急に詳しい説明があったりと、文脈がつかみにくく、自分には読みにくかった。

2020/04/22

[nakata]

機械学習と物理学との融合研究について耳に挟むことがあったので読んでみた。深層学習の解説とその物理分野への展開の二部構成になっている。第一部は学部程度の物理の知識があれば理解できそうな内容で、各章で物理学による結果を起点として機械学習を理解するというような流れだった。第二部は、数式を用いた導出が主だった第一部とは異なり、物理x機械学習の研究を俯瞰する、読み物的内容だった。 機械学習分野に触れるのは初めてだったが、馴染みのある式から話が始まるので、全体的に楽しく読み進めることができた。

2020/04/14

[まじぇすた]

機械学習で使われる用語を物理学の用語と概念で説明する第I部は、機械学習の理解を深めたり整理できたり。物理のモデルをディープニューラルネットワークのアナロジーを使って説明する第II部は、理論重視・原理重視の解説のため、ディープラーニング（本書の序文から「深層学習」という用語に変わっているけど）を使った物質探索とか素粒子データの解析などの方法を知ることはできず。副題の「応用ができる」はやや誇張だろう。とはいえ、第II部では難しい物理の研究課題を非常に噛み砕いて説明しているのでそちらの方面で少し理解が深まった。

2019/12/24

[よく読む]

ニューラルネットワークとの式の類似点が指摘されます。式の飛躍や物理学の式が天下りに出てくるところが多く、かなり行間が辛くてほとんど理解できませんでした。物理学に出てくるイジング模型などとかなり異なる気がします。ニューラルネットワークの損失関数の最小化と、物理学のエネルギーの最小化なや最小作用の原理は似ているので、そりゃあ似ているところがあるのだろう。関連論文は読んでみたいと思った次第です。誰か理解できた方、本書の内容についてディスカッションさせてほしいです。

2019/12/05