ترجمه فارسی مقاله ترانسفورماتور همبسته‌ساز قابل تفسیر برای داده‌های ماده کوانتومی تصویرمانند

چکیده

Due to their inherent capabilities of capturing non-local dependencies, Transformer neural networks have quickly been established as the paradigmatic architecture for large language models and image processing. Next to these traditional applications, machine learning methods have also been demonstrated to be versatile tools in the analysis of image-like data of quantum phases of matter, e.g. given snapshots of many-body wave functions obtained in ultracold atom experiments. While local correlation structures in image-like data of physical systems can reliably be detected, identifying phases of matter characterized by global, non-local structures with interpretable machine learning methods remains a challenge. Here, we introduce the correlator Transformer (CoTra), which classifies different phases of matter while at the same time yielding full interpretability in terms of physical correlation functions. The network’s underlying structure is a tailored attention mechanism, which learns efficient ways to weigh local and non-local correlations for a successful classification. We demonstrate the versatility of the CoTra by detecting local order in the Heisenberg antiferromagnet, and show that local gauge constraints in one- and two-dimensional lattice gauge theories can be identified. Furthermore, we establish that the CoTra reliably detects non-local structures in images of correlated fermions in momentum space (Cooper pairs) and that it can distinguish percolating from non-percolating images.

چکیده به فارسی (ترجمه ماشینی)

با توجه به توانایی های ذاتی آنها در گرفتن وابستگی های غیر محلی ، شبکه های عصبی ترانسفورماتور به سرعت به عنوان معماری پارادایم برای مدل های بزرگ زبان و پردازش تصویر تأسیس شده اند.در کنار این برنامه های سنتی ، روشهای یادگیری ماشین نیز نشان داده شده است که در تجزیه و تحلیل داده های شبیه به تصویر از مراحل کوانتومی ماده ، به عنوان مثال ، ابزارهای متنوع هستند.با توجه به عکسهای فوری از توابع موج بسیاری از بدن که در آزمایشات اتم اولتراکولد به دست آمده است.در حالی که ساختارهای همبستگی محلی در داده های شبیه به تصویر از سیستم های فیزیکی قابل اطمینان قابل تشخیص هستند ، شناسایی مراحل ماده ای که توسط ساختارهای جهانی و غیر محلی با روشهای یادگیری ماشین قابل تفسیر مشخص می شود ، یک چالش است.در اینجا ، ما ترانسفورماتور همبستگی (COTRA) را معرفی می کنیم ، که مراحل مختلف ماده را طبقه بندی می کند و در عین حال از نظر عملکردهای همبستگی فیزیکی ، تفسیر کامل را انجام می دهد.ساختار اساسی شبکه یک مکانیسم توجه مناسب است که روشهای کارآمد برای وزن گیری همبستگی های محلی و غیر محلی برای طبقه بندی موفق را می آموزد.ما با تشخیص نظم محلی در آنتی فرومگنت هایزنبرگ ، تطبیق پذیری COTRA را نشان می دهیم و نشان می دهیم که محدودیت های سنج محلی در تئوری های سنجی یک و دو بعدی می توانند شناسایی شوند.علاوه بر این ، ما ثابت می کنیم که COTRA به طور قابل اعتماد ساختارهای غیر محلی را در تصاویر فرمینهای همبسته در فضای حرکت (جفت های کوپر) تشخیص می دهد و می تواند تجزیه و تحلیل از تصاویر غیر پاک کننده را تشخیص دهد.