导语深度学习技术，尤其是生成模型在图像问题处理上大放异彩。而生成模型之所以展现出强大的多层信号处理能力，与物理学中的重整化群理论密切相关。研究者结合重整化群方法和流模型，开发出可以发现自然作用力的AI“物理学家”，以及具有高可解释性与可控性的计算机视觉生成模型。相关研究发表在PhysicalReviewResearch、PhysicalReviewLetters等期刊上，本文是对该研究方向的介绍。扈鸿业

作者邓一雪

编辑第零部分序随着深度学习的发展，我们已经感受到了机器学习在计算机视觉、自然语言处理、强化学习等诸多领域取得了令人赞叹的进展，这些先进的技术也在随着时间的推移进入人类的生活，帮助人类优化其生产力。作为一个新兴的学科与技术，深度学习也在科学研究上崭露头角。一方面，大家把深度学习、神经网络作为一个独立的客体，试图理解它的行为，并借助人类已知的一些概念设计更有趣的神经网络；另一方面，神经网络也作为一个新型的工具帮助科学家通过更快的模拟量子物理、量子化学，挖掘生物信息等等来理解自然世界。第一部分基于流模型的生成模型在深度学习中一类重要的问题叫做生成模型（generativemodel）。比如我们拥有如下图的人脸数据集，我们如何生成更多类似的人脸数据并且让生成的数据看起来和真的一样呢？生成模型想解决的就是这个问题，比如图1中有很多人像照片，他们是由真实人类通过照相摄影产生的。那么图2中也有四张人像照片，你是不是很难分辨这四个人哪个是真实的人类，而哪个是机器产生的“假人类”呢？实际上这四张图片都是由作者在撰写此稿的时候机器想象出来的假人，不知道你答对了嘛？图1图2生成模型具体实现的方式有很多，比如生成对抗网络（generativeadversarialnetworks）、变分自动编码器（variationalautoencoder）、流模型（flow-basedmodel）等等。本文将主要

转载请注明:http://www.aideyishus.com/lkjg/6479.html