微分万物：深度学习的启示

基金项目: 国家自然科学基金(批准号：11774398)资助项目

Differentiate everything: a lesson from deep learning

摘要: 深度学习教会了人们一种新的和计算机打交道的方式：将一些可微分的计算单元组合形成一段程序，再通过梯度优化的方法调整程序参数，使其达成期望的目标。这就是微分编程的思想。深度学习技术的快速发展为微分编程提供了趁手的工具，也计算物理开辟了一番新天地。文章介绍微分编程的基本概念，并举例说明它在建模、优化、控制、反向设计等物理问题中的应用。
- 微分编程 /
- 自动微分 /
- 计算物理
Abstract: Deep learning taught us a new way to play with computers: compose differentiable components into a computer program, then tune its parameters via gradient optimization until it achieves what we want. This is the key idea of differentiable programming. The rapid development of deep learning technology offers convenient tools for differentiable programming, and also opens a new frontier for computational physics. This article introduces the basic notion of differentiable programming and its physics applications including modeling, optimization, control, and inverse design.
- differentiable programming /
- automatic differentiation /
- computational physics

1.	王磊，姚裕贵. 凝聚态物理计算方法. 中国科学:物理学力学天文学. 2024(04): 14-17 . 百度学术
2.	邓天牧，黄钟民，彭林欣. 基于自动微分的桁架结构材料非线性分析. 广西大学学报(自然科学版). 2024(02): 269-279 . 百度学术
3.	王磊，张潘. 写给物理学家的生成模型. 物理. 2024(06): 368-378 . 本站查看
4.	张晓旭，高振涛，吴磊，李鑫，卢明静. 基于混合量子-经典神经网络模型的股价预测. 电子科技大学学报. 2022(01): 16-23 . 百度学术
5.	王凌霄，庞龙刚，周凯. 深度学习在高能核物理中的应用. 中国科学:物理学力学天文学. 2022(05): 20-37 . 百度学术

点击查看大图