AI 与机器学习2014arxiv.org
变分重整化群与深度学习之间的精确映射
Exact mapping between Variational Renormalization Group and Deep Learning (2014)
专业 · 约 35 分钟读完前置知识：重整化群基础、受限玻尔兹曼机、统计物理
导读
这篇论文（Mehta & Schwab, 2014）论证变分重整化群与深度学习之间存在精确对应：用受限玻尔兹曼机（RBM）表示物理波函数、逐层把自由度"粗粒化"的过程，在数学上等同于逐层训练 RBM 堆叠成的深度网络，因此深度网络的一次次表示变换可视为相继的重整化群变换。作者据此主张 RG 可以为理解深度学习的有效性提供物理框架。不过对照摘要之外的具体细节，导读只能保守描述。
HN 关注点：把统计物理的重整化群与深度学习直接画等号的大胆论断很吸引人，但讨论焦点在于这个"精确"映射是否站得住脚、关键算符是否定义清楚。
后来怎么样
它成为深度学习与重整化群类比的早期代表性工作，引出了后续关于 RBM 波函数、神经网络量子态及深度学习–物理交叉的一系列讨论；但“精确映射”本身并未成为被广泛采用的标准框架。
HN 评论精选
这几条评论里：质疑 2 补充 2
质疑质疑论文未定义抽除算符等 RG 核心要素，"精确映射"的说法缺乏基础。
抽除算符（decimation operator）是什么？作者宣称存在"精确映射"，却没能定义重整化群方法中几个最基本的要素。
MrQuincle查看英文原文
What's the decimation operator? Authors claim an exact mapping, but fail to define a few of the essential elements of any renormalization group approach.
质疑讽刺"精确映射到深度学潮"这类模糊概念的说法，怀疑其严谨性。
你怎么能和一个本身并不精确、只是不同人各自塞进不同方法的一个流行词建立"精确映射"呢？不过这也不重要，重要的是这个流行词出现在标题里了！
sieisteinmodel查看英文原文
How do you establish an exact mapping to sth that is not exact, but only a buzzword term under which different people collect different methods? Well, not that important. It's only important that the buzzword appears in the title!
补充延伸追问张量网络/神经网络与格点规范理论的相互应用。
我有一个问题请教 @evanb 或其他懂行的人：张量网络的想法（比如如何组织相关的自由度），甚至神经网络，有没有被应用到格点规范理论上？反过来，人们是否清楚如何把规范理论的状态实现为张量网络？我知道 Elitzur 定理（不存在局域规范不变的序参量），但我对格点规范理论了解不多。
ssivark查看英文原文
I have a question for OP @evanb, or anyone else who's knowledgeable on this: Are ideas from tensor networks (eg: how the relevant degrees of freedom are organized), or even neural networks for that matter, applied to lattice gauge theories? In the other direction, is it understood how to implement states of gauge theories as tensor networks? I'm aware of Elitzur's theorem (that there is no local gauge invariant order parameter), but I'm afraid I do not know much about lattice gauge theories.
补充补充了一篇解读该论文的博客讨论链接。
一个月前这里讨论过一篇解释这篇论文的博客文章：https://news.ycombinator.com/item?id=9833584
jamessb查看英文原文
There was some discussion of a blog post explaining this paper here a month ago: https://news.ycombinator.com/item?id=9833584
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
- 视频与演讲
- 评论区提到的论文
历次讨论
- 2014Hacker News 讨论帖10 分 · 1 评
- 2015Hacker News 讨论帖30 分 · 7 评
- 2016Hacker News 讨论帖97 分 · 13 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选