arXiv · 其他
arXiv 论文探讨量子气体实验的可解释机器学习
这篇 arXiv 论文探讨了机器学习方法在量子气体实验中的可解释性问题。多体原子物理实验技术门槛高、数据集规模和经典模拟的计算需求都面临挑战，ML 方法虽能辅助分析，但其黑箱特性与物理学家对因果机制的理解需求存在张力。作者梳理了当前可解释性技术的适用边界，并讨论了在量子气体场景下实现透明模型的可能性。
- 域名
arxiv.org- 评分
- 3 · 可关注
- 发布
- 2026-05-18
导读
这条暂时没有深度导读，点上方「访问项目本体」直接到源页面查看。
原文摘要
Virtually all aspects of many-body atomic physics are challenging: experiments are technically demanding, datasets have become enormous, and the memory and CPU requirements for classical simulation of generic quantum systems often scale exponentially with system size. Machine learning (ML) methods …