ＫＳ物理専門書 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

著者名：田中章詞【著】/富谷昭夫【著】/橋本幸士【著】

講談社（2019/07発売）

• ISBN：9784065162620

内容説明

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。

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。《目次》第1章　はじめに：機械学習と物理学【第I部　物理から見るディープラーニングの原理】第2章　機械学習の一般論第3章　ニューラルネットワークの基礎第4章　発展的なニューラルネットワーク第5章　サンプリングの必要性と原理第6章　教師なし深層学習【第II部　物理学への応用と展開】第7章　物理学における逆問題第8章　相転移をディープラーニングで見いだせるか第9章　力学系とニューラルネットワーク第10章　スピングラスとニューラルネットワーク第11章　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第12章　超弦理論への応用第13章　おわりに

目次

第1章　はじめに：機械学習と物理学
・1.1　情報理論ことはじめ
・1.2　物理学と情報理論
・1.3　機械学習と情報理論
・1.4　機械学習と物理学
【第I部　物理から見るディープラーニングの原理】
第2章　機械学習の一般論
・2.1　機械学習の目的
・2.2　機械学習とオッカムの剃刀
・2.3　確率的勾配降下法
・コラム：確率論と情報理論
第3章　ニューラルネットワークの基礎
・3.1　誤差関数とその統計力学的理解
・3.2　ブラケット記法による誤差逆伝播法の導出
・3.3　ニューラルネットワークの万能近似定理
・コラム：統計力学と量子力学
第4章　発展的なニューラルネットワーク
・4.1　畳み込みニューラルネットワーク
・4.2　再帰的ニューラルネットワークと誤差逆伝播
・4.3　LSTM
・コラム：カオスの縁と計算可能性の創発
第5章　サンプリングの必要性と原理
・5.1　中心極限定理と機械学習における役割
・5.2　様々なサンプリング法
・5.3　詳細釣り合いを満たすサンプリング法
・コラム：イジング模型からホップフィールド模型へ
第6章　教師なし深層学習
・6.1　教師なし学習
・6.2　ボルツマンマシン
・6.3　敵対的生成ネットワーク
・6.4　生成モデルの汎化について
・コラム：自己学習モンテカルロ法

【第II部　物理学への応用と展開】
第7章　物理学における逆問題
・7.1　逆問題と学習
・7.2　逆問題における正則化
・7.3　逆問題と物理学的機械学習
・コラム：スパースモデリング
第8章　相転移をディープラーニングで見いだせるか
・8.1　相転移とは
・8.2　ニューラルネットワークを使った相転移検出
・8.3　ニューラルネットワークは何を見ているのか
第9章　力学系とニューラルネットワーク
・9.1　微分方程式とニューラルネットワーク
・9.2　ハミルトン力学系の表示
第10章　スピングラスとニューラルネットワーク
・10.1　ホップフィールド模型とスピングラス
・10.2　記憶とアトラクター
・10.3　同期と階層化
第11章　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
・11.1　波動関数をニューラルネットで
・11.2　テンソルネットワークとニューラルネットワーク
第12章　超弦理論への応用
・12.1　超弦理論における逆問題
・12.2　曲がった時空はニューラルネットワーク
・12.3　ニューラルネットで創発する時空
・12.4　QCDから創発する時空
・コラム：ブラックホールと情報
第13章　おわりに

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