Interpretable Activation-Selection Neural Networks for Symbolic Regression of Parameter-Dependent Hamiltonian Eigenvalues
Questo articolo introduce una rete neurale di selezione dell'attivazione interpretabile che impone l'omogeneità dimensionale per derivare espressioni simboliche esplicite e compatte per gli autovalori dell'Hamiltoniana dipendenti dai parametri, dimostrando la sua efficacia nel catturare le strutture della teoria delle perturbazioni per sistemi di catene di spin, pur rilevando che la sua accuratezza eguaglia, piuttosto che superare, modelli a base fissa ben scelti.