Explainable Machine Learning for Quantum Physics
Title: Explainable Machine Learning for Quantum Physics
Speaker: Hui Zhai, Tsinghua University
Time: 14:00 - 15:00, September 18, Tuesday
Place: Room 850, 8th floor, ICT, CAS
Abstract:
In this talk I will give three examples on applying machine learning algorithms to quantum physics problems, including applying fully connected neural network to predict scattering length, using convolutional neural network to recognize topological invariants, and designing recurrent neural network to map out density distribution from potential. Our purpose is not just to show that these algorithms can work, but try to understand how it works.
Bio:
翟薈于1998年進(jìn)入清華大學(xué)物理系首屆基礎(chǔ)科學(xué)班，2002年本科畢業(yè)，2005年1月在清華大學(xué)高等研究中心獲物理學(xué)博士學(xué)位。2005-2009年期間先后在美國(guó)俄亥俄州立大學(xué)、加州大學(xué)伯克利分校做博士后。2009年起任清華大學(xué)高等研究院研究員，2012年獲得長(zhǎng)聘，2015年任高等研究院教授。他的主要研究方向包括冷原子和凝聚態(tài)等量子物質(zhì)的理論研究，機(jī)器學(xué)習(xí)方法在物理學(xué)中的應(yīng)用等。他是國(guó)家自然科學(xué)基金杰出青年基金獲得者和教育部長(zhǎng)江學(xué)者特聘教授。