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(ディープラーニングトブツリガクゲンリガワカルオウヨウガデキル)

Name: 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
Rating: 4 (1 reviews)
Author: 田中 章詞/富谷 昭夫/橋本 幸士
ISBN: 9784065162620

著者:: 田中章詞/富谷昭夫/橋本幸士(タナカアキノリ/トミヤアキオ/ハシモトコウジ)
出版社:: 講談社
出版日:: 2019年06月22日頃
ISBN:: 9784065162620
シリーズ:: KS物理専門書
在庫:: 在庫あり

★★★★☆4(1 件)

深層学習

Amazon で見る楽天ブックスで見る

なぜ注目されているか

総合

359位

↓ 8 ランクダウン3 件の言及

言及数

641位

書籍紹介

★ 2024 年ノーベル物理学賞関連書籍★
ホップフィールド模型からニューラルネットへ。物理の言葉でしっかり学べる。日本唯一の好著!

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

技書の森解説

ニューラルネットワークの学習則と統計力学の分配関数が、なぜ同じ数式で書けるのか。本書は深層学習と物理学の間に横たわる構造的な対応関係を解き明かすことを目的とした、学際的な一冊です。ボルツマンマシンをエネルギーベースモデルとして捉え直すところから始まり、くりこみ群とオートエンコーダの類似性、変分推論と自由エネルギーの関係へと展開します。

読者として想定されるのは、物理学の学部課程を終えて統計力学の言葉に馴染みがある人、あるいは深層学習の実装経験がありその背景にある数理構造を知りたい人です。どちらか片方だけの知識で読み始めると、もう片方の章で壁にぶつかりやすい構成ではありますが、両分野を橋渡しする類書が極めて少ないため、行き来しながら読む価値があります。

実装寄りのチュートリアルではなく、「なぜこの構造が学習に有効なのか」を物理の言葉で理解するための本です。深層学習をブラックボックスとして使うだけでは得られない、アーキテクチャの設計原理に対する物理的直観を養いたい研究者やエンジニアに向いています。