‫‪AI Project‬‬

‫‪A Deep Dive into Statistical Physics and Generative Models‬‬

‫ﻓﯾزﯾﮏ آﻣﺎری و ﻣدلھﺎی ﻣوﻟد‬
‫ﺳﮭﯾل ﺳﺎروﺋﯽ‬
‫‪Student ID: 400216027‬‬

‫ﭼﮑﯾده‬
‫اﯾن ﻣﻘﺎﻟﮫ ﺑﮫ ﺑررﺳﯽ ﺗﻘﺎطﻊ ﻓﯾزﯾﮏ آﻣﺎری و ھوش ﻣﺻﻧوﻋﯽ )‪ (AI‬ﻣﯽﭘردازد و ﺑر روی ﻣدلھﺎی ﻣﺑﺗﻧﯽ ﺑر اﻧرژی‬
‫و ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﻣرﮐز دارد‪ .‬ﻣﺎ ﺑﮫ ﻣﺑﺎﻧﯽ رﯾﺎﺿﯽ ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن )‪ ،(BMs‬ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن ﻣﺣدودﺷده‬
‫)‪ ،(RBMs‬ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﺧﺎﺻﻣﯽ )‪ (GANs‬و رﻣزﮔذارھﺎی ﺧودﮐﺎر وارﯾﺎﻧﺳﯽ )‪ (VAEs‬و ﮐﺎرﺑردھﺎی آﻧﮭﺎ‬
‫در وظﺎﯾف ﯾﺎدﮔﯾری ﺑدون ﻧظﺎرت ﻣﺎﻧﻧد اﺳﺗﺧراج وﯾژﮔﯽ‪ ،‬ﮐﺎھش اﺑﻌﺎد و ﺗوﻟﯾد ﺗﺻوﯾر ﻣﯽﭘردازﯾم‪ .‬اﯾن ﻣﻘﺎﻟﮫ‬
‫ھﻣﭼﻧﯾن ﻣﺑﺎﻧﯽ ﻧظری اﯾن ﻣدلھﺎ را ﺑررﺳﯽ ﮐرده و ارﺗﺑﺎط آﻧﮭﺎ ﺑﺎ ﻣﮑﺎﻧﯾﮏ آﻣﺎری را ﻧﺷﺎن ﻣﯽدھد‪ .‬در ﻧﮭﺎﯾت‪،‬‬
‫ﻧﺗﺎﯾﺞ آزﻣﺎﯾﺷﯽ ﺑرای ﺗﺄﯾﯾد اﺛرﺑﺧﺷﯽ اﯾن ﻣدلھﺎ اراﺋﮫ ﻣﯽﺷود‪.‬‬

‫‪Abstract‬‬

‫‪This paper explores the intersection of statistical physics and artificial intelligence (AI), focusing‬‬
‫‪on energy-based models and generative networks. We delve into the mathematical foundations‬‬
‫‪of Boltzmann Machines (BMs), Restricted Boltzmann Machines (RBMs), Generative Adversarial‬‬
‫‪Networks (GANs), and Variational Autoencoders (VAEs), and their applications in unsupervised‬‬
‫‪learning tasks such as feature extraction, dimensionality reduction, and image generation. The‬‬
‫‪paper also discusses the theoretical underpinnings of these models, drawing parallels with‬‬
‫‪statistical mechanics, and presents experimental results to validate their effectiveness.‬‬

‫ﻣﻘدﻣﮫ‬

‫ﺣوزه ھوش ﻣﺻﻧوﻋﯽ در ﺳﺎلھﺎی اﺧﯾر ﭘﯾﺷرﻓتھﺎی ﭼﺷﻣﮕﯾری داﺷﺗﮫ اﺳت ﮐﮫ ﻋﻣدﺗﺎ ً ﺑﮫ دﻟﯾل ﺗوﺳﻌﮫ ﻣدلھﺎی ﯾﺎدﮔﯾری ﻋﻣﯾق ﺑوده‬
‫اﺳت‪ .‬ﺑﺎ اﯾن ﺣﺎل‪ ،‬ﺑﺳﯾﺎری از اﯾن ﻣدلھﺎ ﺑﮫ ﻋﻧوان "ﺟﻌﺑﮫھﺎی ﺳﯾﺎه" ﻋﻣل ﻣﯽﮐﻧﻧد و درک ﻣﮑﺎﻧﯾﺳمھﺎی داﺧﻠﯽ آﻧﮭﺎ دﺷوار اﺳت‪ .‬ﻓﯾزﯾﮏ‬
‫آﻣﺎری‪ ،‬ﺑﺎ ﭼﺎرﭼوب رﯾﺎﺿﯽ ﻏﻧﯽ ﺧود ﺑرای درک ﺳﯾﺳﺗمھﺎی ﭘﯾﭼﯾده‪ ،‬راهﺣﻠﯽ اﻣﯾدوارﮐﻧﻧده ﺑرای ﺗوﺳﻌﮫ ﻣدلھﺎی ھوش ﻣﺻﻧوﻋﯽ ﻗﺎﺑل‬
‫ﺗﻔﺳﯾر و ﮐﺎرآﻣد اراﺋﮫ ﻣﯽدھد‪ .‬اﯾن ﻣﻘﺎﻟﮫ ﺑر روی ﻣدلھﺎی ﻣﺑﺗﻧﯽ ﺑر اﻧرژی و ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﻣرﮐز دارد ﮐﮫ از اﺻول ﻓﯾزﯾﮏ آﻣﺎری‬
‫‪.‬اﻟﮭﺎم ﮔرﻓﺗﮫاﻧد و ﮐﺎرﺑردھﺎی آﻧﮭﺎ در ﺣوزهھﺎی ﻣﺧﺗﻠف را ﺑررﺳﯽ ﻣﯽﮐﻧد‬
 ‫ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن و ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن ﻣﺣدودﺷده‬

‫ﻣﺑﺎﻧﯽ رﯾﺎﺿﯽ‬

‫ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن )‪ (BMs‬دﺳﺗﮫای از ﻣدلھﺎی ﻣﺑﺗﻧﯽ ﺑر اﻧرژی ھﺳﺗﻧد ﮐﮫ از اﺻول ﻣﮑﺎﻧﯾﮏ آﻣﺎری ﺑرای ﻣدلﺳﺎزی ﺗوزﯾﻊھﺎی داده‬
‫ﺑﮫ ﺻورت زﯾر ﺗﻌرﯾف ﻣﯽﺷود‪:‬‬

‫= )‪𝐸(𝑣, ℎ‬‬ ‫𝑗‪− ∑ 𝑎𝑖𝑣𝑖 − ∑ 𝑏𝑗ℎ𝑗 − ∑ 𝑣𝑗𝑤𝑖𝑗ℎ‬‬

‫𝑖‬ ‫𝑗‬ ‫𝑗‪𝑖,‬‬

‫ﮐﮫ در آن‪:‬‬

‫● 𝑣 ﻧﺷﺎندھﻧده واﺣدھﺎی ﻣرﺋﻲ‪،‬‬

‫● ‪ ℎ‬ﻧﺷﺎندھﻧده واﺣدھﺎی ﭘﻧﮭﺎن‪،‬‬
‫● 𝑎 و 𝑏 ﺑﺎﯾﺎسھﺎ ھﺳﺗﻧد‪،‬‬
‫𝑗‬ ‫𝑖‬
‫𝑤 وزنھﺎی اﺗﺻﺎل ﺑﯾن واﺣدھﺎی ﻣرﺋﻲ و ﭘﻧﮭﺎن ھﺳﺗﻧد‪.‬‬ ‫●‬
‫𝑗𝑖‬

‫ﺗوزﯾﻊ اﺣﺗﻣﺎل روی واﺣدھﺎی ﻣرﺋﻲ و ﭘﻧﮭﺎن ﺗوﺳط ﺗوزﯾﻊ ﺑوﻟﺗزﻣن داده ﻣﯽﺷود‪:‬‬

‫‪1‬‬ ‫)‪−𝐸(𝑣,ℎ‬‬
‫= )‪𝑃(𝑣, ℎ‬‬ ‫𝑧‬
‫𝑒‬

‫ﮐﮫ در آن 𝑧 ﺗﺎﺑﻊ ﭘﺎرش اﺳت‪:‬‬

‫)‪−𝐸(𝑣,ℎ‬‬
‫𝑒∑ = 𝑧‬
‫‪𝑣,ℎ‬‬

‫ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن ﻣﺣدودﺷده )‪(RBMs‬‬

‫‪ RBMs‬ﻧﺳﺧﮫ ﺳﺎدهﺷدهای از ‪ BMs‬ھﺳﺗﻧد ﮐﮫ در آﻧﮭﺎ اﺗﺻﺎﻻت ﺑﯾن واﺣدھﺎی ﻣرﺋﻲ و ﺑﯾن واﺣدھﺎی ﭘﻧﮭﺎن ﻣﺣدود ﺷدهاﻧد‪ .‬ﺗﺎﺑﻊ اﻧرژی‬
‫ﯾﮏ ‪ RBM‬ﺑﮫ ﺻورت زﯾر اﺳت‪:‬‬

‫= )‪𝐸(𝑣, ℎ‬‬ ‫𝑗‪− ∑ 𝑎𝑖𝑣𝑖 − ∑ 𝑏𝑗ℎ𝑗 − ∑ 𝑣𝑖𝑤𝑖𝑗ℎ‬‬

‫𝑖‬ ‫𝑗‬ ‫𝑗‪𝑖,‬‬

‫اﺣﺗﻣﺎﻻت ﺷرطﯽ ﺑرای واﺣدھﺎی ﻣرﺋﻲ و ﭘﻧﮭﺎن ﺑﮫ ﺻورت زﯾر داده ﻣﯽﺷوﻧد‪:‬‬
 ‫)𝑗𝑖𝑤𝑖𝑣 ∑ ‪𝑃(ℎ𝑗 = 1|𝑣) = σ (𝑏𝑗 +‬‬
‫𝑖‬

‫)𝑗𝑖𝑤𝑗‪𝑃(𝑣𝑖 = 1|ℎ) = σ (𝑎𝑖 + ∑ ℎ‬‬

‫𝑖‬

‫‪1‬‬
‫)𝑥(‪σ‬ﺗﺎﺑﻊ ‪ sigmoid‬اﺳت‪.‬‬ ‫=‬ ‫𝑋‪−‬‬ ‫ﮐﮫ در آن‬
‫𝑒‪1+‬‬

‫ﮐﺎرﺑردھﺎی ‪RBMs‬‬

‫‪ RBMs‬در وظﺎﯾف ﯾﺎدﮔﯾری ﺑدون ﻧظﺎرت ﻣﺧﺗﻠﻔﯽ ﺑﺎ ﻣوﻓﻘﯾت ﺑﮫ ﮐﺎر ﮔرﻓﺗﮫ ﺷدهاﻧد‪ ،‬از ﺟﻣﻠﮫ‪:‬‬

‫اﺳﺗﺧراج وﯾژﮔﯽ‪ RBMs :‬ﻣﯽﺗواﻧﻧد وﯾژﮔﯽھﺎی ﻣﻌﻧﺎدار را از دادهھﺎی ﺧﺎم ﯾﺎد ﺑﮕﯾرﻧد ﮐﮫ ﻣﯽﺗواﻧﻧد ﺑرای وظﺎﯾف ﺑﻌدی‬ ‫●‬
‫ﻣﺎﻧﻧد طﺑﻘﮫﺑﻧدی اﺳﺗﻔﺎده ﺷوﻧد‪.‬‬
‫ﮐﺎھش اﺑﻌﺎد‪ RBMs :‬ﻣﯽﺗواﻧﻧد ﺑرای ﮐﺎھش اﺑﻌﺎد دادهھﺎ در ﺣﺎﻟﯽ ﮐﮫ ﺳﺎﺧﺗﺎر اﺳﺎﺳﯽ آﻧﮭﺎ ﺣﻔظ ﻣﯽﺷود‪ ،‬اﺳﺗﻔﺎده ﺷوﻧد‪.‬‬ ‫●‬

‫ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﺧﺎﺻﻣﯽ )‪(GANs‬‬

‫‪ ٣.١‬ﭼﺎرﭼوب ﻧظری‬

‫ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﺧﺎﺻﻣﯽ )‪ (GANs‬از دو ﺷﺑﮑﮫ ﻋﺻﺑﯽ ﺗﺷﮑﯾل ﺷدهاﻧد‪ :‬ﯾﮏ ﻣوﻟد ‪ GG‬و ﯾﮏ ﺗﺷﺧﯾصدھﻧده ‪ .DD‬ﻣوﻟد ﺳﻌﯽ ﻣﯽﮐﻧد‬
‫دادهھﺎﯾﯽ ﺗوﻟﯾد ﮐﻧد ﮐﮫ از دادهھﺎی واﻗﻌﯽ ﻏﯾرﻗﺎﺑل ﺗﺷﺧﯾص ﺑﺎﺷﻧد‪ ،‬در ﺣﺎﻟﯽ ﮐﮫ ﺗﺷﺧﯾصدھﻧده ﺳﻌﯽ ﻣﯽﮐﻧد ﺑﯾن دادهھﺎی واﻗﻌﯽ و‬
‫ﺗوﻟﯾدﺷده ﺗﻣﺎﯾز ﻗﺎﺋل ﺷود‪ .‬ﺗﺎﺑﻊ ھدف ﯾﮏ ‪ GAN‬ﺑﮫ ﺻورت زﯾر اﺳت‪:‬‬

‫‪𝐺𝑚𝑖𝑛𝐷𝑚𝑎𝑥𝑉(𝐷, 𝐺) = 𝐸𝑥~ρ‬‬ ‫])))𝑧(𝐺(𝐷 ‪[𝑙𝑜𝑔𝐷(𝑥)] + 𝐸𝑧~ρ [𝑙𝑜𝑔(1 −‬‬

‫)𝑥(𝑡𝑎𝑑‬ ‫)𝑧(𝑧‬

‫ﮐﮫ در آن‪:‬‬

‫‪ ρ‬ﺗوزﯾﻊ دادهھﺎ اﺳت‪،‬‬ ‫●‬

‫)𝑥(𝑡𝑎𝑑‬
‫‪ ρ‬ﺗوزﯾﻊ ﻧوﯾز اﺳت‪،‬‬ ‫●‬
‫)𝑧(𝑧‬
‫)𝑥(𝐷 ﺧروﺟﯽ ﺗﺷﺧﯾصدھﻧده ﺑرای دادهھﺎی واﻗﻌﯽ اﺳت‪،‬‬ ‫●‬

‫))𝑧(𝐺(𝐷 ﺧروﺟﯽ ﺗﺷﺧﯾصدھﻧده ﺑرای دادهھﺎی ﺗوﻟﯾدﺷده اﺳت‪.‬‬ ‫●‬

 ‫‪ ٣.٢‬دﯾﻧﺎﻣﯾﮏ آﻣوزش‬

‫ﻓرآﯾﻧد آﻣوزش ‪ GANs‬ﺷﺎﻣل ﯾﮏ ﺑﺎزی ﻣﯾﻧﯾﻣﮑس ﺑﯾن ﻣوﻟد و ﺗﺷﺧﯾصدھﻧده اﺳت‪ .‬ﻣوﻟد ﺳﻌﯽ ﻣﯽﮐﻧد ﺗﺎﺑﻊ ھدف را ﮐﻣﯾﻧﮫ ﮐﻧد‪ ،‬در ﺣﺎﻟﯽ‬
‫ﮐﮫ ﺗﺷﺧﯾصدھﻧده ﺳﻌﯽ ﻣﯽﮐﻧد آن را ﺑﯾﺷﯾﻧﮫ ﮐﻧد‪ .‬اﯾن ﻓرآﯾﻧد آﻣوزش ﺗﺧﺎﺻﻣﯽ را ﻣﯽﺗوان ﺑﮫ ﻋﻧوان ﯾﮏ ﺳﯾﺳﺗم دﯾﻧﺎﻣﯾﮑﯽ ﺗﺻور ﮐرد ﮐﮫ‬
‫در آن ﻣوﻟد و ﺗﺷﺧﯾصدھﻧده در طول زﻣﺎن ﺗﮑﺎﻣل ﻣﯽﯾﺎﺑﻧد‪.‬‬

‫‪ ٣.٣‬ﮐﺎرﺑردھﺎی ‪GANs‬‬

‫‪ GANs‬در ﺣوزهھﺎی ﻣﺧﺗﻠﻔﯽ ﺑﺎ ﻣوﻓﻘﯾت ﺑﮫ ﮐﺎر ﮔرﻓﺗﮫ ﺷدهاﻧد‪ ،‬از ﺟﻣﻠﮫ‪:‬‬

‫ﺗوﻟﯾد ﺗﺻوﯾر‪ GANs :‬ﻣﯽﺗواﻧﻧد ﺗﺻﺎوﯾر ﺑﺎ ﮐﯾﻔﯾت ﺑﺎﻻ ﺗوﻟﯾد ﮐﻧﻧد ﮐﮫ از ﺗﺻﺎوﯾر واﻗﻌﯽ ﻏﯾرﻗﺎﺑل ﺗﺷﺧﯾص ھﺳﺗﻧد‪.‬‬ ‫●‬
‫طراﺣﯽ ﻣوﻟﮑوﻟﯽ‪ GANs :‬ﻣﯽﺗواﻧﻧد ﺑرای ﺗوﻟﯾد ﺳﺎﺧﺗﺎرھﺎی ﻣوﻟﮑوﻟﯽ ﺟدﯾد ﺑﺎ ﺧواص ﻣورد ﻧظر اﺳﺗﻔﺎده ﺷوﻧد‪.‬‬ ‫●‬

‫‪ .۴‬رﻣزﮔذارھﺎی ﺧودﮐﺎر وارﯾﺎﻧﺳﯽ )‪(VAEs‬‬

‫‪ ۴.١‬ﻣﺑﺎﻧﯽ رﯾﺎﺿﯽ‬

‫رﻣزﮔذارھﺎی ﺧودﮐﺎر وارﯾﺎﻧﺳﯽ )‪ (VAEs‬ﻣدلھﺎی ﻣوﻟد ھﺳﺗﻧد ﮐﮫ از اﺳﺗﻧﺗﺎج وارﯾﺎﻧﺳﯽ ﺑرای ﻣدلﺳﺎزی ﺗوزﯾﻊھﺎی داده ﭘﯾﭼﯾده اﺳﺗﻔﺎده‬
‫ﻣﯽﮐﻧﻧد‪ VAE .‬از ﯾﮏ رﻣزﮔذار)𝑥|𝑧(‪ 𝑞ϕ‬و ﯾﮏ رﻣزﮔﺷﺎ )𝑧|𝑥(‪ 𝑝ϕ‬ﺗﺷﮑﯾل ﺷده اﺳت‪ .‬ﺗﺎﺑﻊ ھدف ﯾﮏ ‪ VAE‬ﺗوﺳط ﮐران ﭘﺎﯾﯾن ﺷواھد‬
‫)‪ (ELBO‬داده ﻣﯽﺷود‪:‬‬

‫𝑞𝐸 = )𝑥 ;‪𝐿(θ, ϕ‬‬ ‫)𝑥|𝑧(‬

‫))𝑧(𝑝||)𝑥|𝑧(‪[𝑙𝑜𝑔𝑝θ(𝑥|𝑧)] − 𝐷𝐾𝐿(𝑞ϕ‬‬
‫‪ϕ‬‬

‫ﮐﮫ در آن‪:‬‬

‫𝐷 واﮔراﯾﯽ ﮐوﻟﺑﮏ‪-‬ﻟﯾﺑﻠر اﺳت‪،‬‬ ‫●‬

‫𝐿𝐾‬
‫)𝑧(𝑝 ﺗوزﯾﻊ ﭘﯾﺷﯾن روی ﻣﺗﻐﯾرھﺎی ﭘﻧﮭﺎن اﺳت‪.‬‬ ‫●‬

‫‪ ۴.٢‬ﻓرآﯾﻧد آﻣوزش‬

‫ﻓرآﯾﻧد آﻣوزش ‪ VAEs‬ﺷﺎﻣل ﺑﮭﯾﻧﮫﺳﺎزی ‪ ELBO‬ﺑﺎ ﺗوﺟﮫ ﺑﮫ ﭘﺎراﻣﺗرھﺎی ‪ θ‬و ‪ ϕ‬اﺳت‪ .‬اﯾن ﮐﺎر ﻣﻌﻣوﻻً ﺑﺎ اﺳﺗﻔﺎده از روشھﺎﯾﯽ ﻣﺎﻧﻧد‬
‫ﻧزول ﮔرادﯾﺎن ﺗﺻﺎدﻓﯽ )‪ (SGD‬ﯾﺎ ﯾﮑﯽ از اﻧواع آن اﻧﺟﺎم ﻣﯽﺷود‪.‬‬

‫‪ ۴.٣‬ﮐﺎرﺑردھﺎی ‪VAEs‬‬

‫‪ VAEs‬در ﺣوزهھﺎی ﻣﺧﺗﻠﻔﯽ ﺑﺎ ﻣوﻓﻘﯾت ﺑﮫ ﮐﺎر ﮔرﻓﺗﮫ ﺷدهاﻧد‪ ،‬از ﺟﻣﻠﮫ‪:‬‬

‫ﺗوﻟﯾد ﺗﺻوﯾر‪ VAEs :‬ﻣﯽﺗواﻧﻧد ﺗﺻﺎوﯾر ﺟدﯾدی را ﺑﺎ ﻧﻣوﻧﮫﮔﯾری از ﻓﺿﺎی ﭘﻧﮭﺎن ﺗوﻟﯾد ﮐﻧﻧد‪.‬‬ ‫●‬
‫ﭘﯾشﺑﯾﻧﯽ ﺳﺎﺧﺗﺎر ﭘروﺗﺋﯾن‪ VAEs :‬ﻣﯽﺗواﻧﻧد ﺑرای ﻣدلﺳﺎزی ﺗوزﯾﻊ ﺳﺎﺧﺗﺎرھﺎی ﭘروﺗﺋﯾﻧﯽ و ﭘﯾشﺑﯾﻧﯽ ﺳﺎﺧﺗﺎرھﺎی ﺟدﯾد‬ ‫●‬
‫اﺳﺗﻔﺎده ﺷوﻧد‪.‬‬
 ‫‪ .۵‬ﻧﺗﺎﯾﺞ آزﻣﺎﯾﺷﯽ‬

‫‪ ۵.١‬ﻣﺟﻣوﻋﮫ داده و ﺗﻧظﯾﻣﺎت آزﻣﺎﯾﺷﯽ‬

‫آزﻣﺎﯾشھﺎﯾﯽ روی ﭼﻧدﯾن ﻣﺟﻣوﻋﮫ داده ﻣﻌﯾﺎر‪ ،‬از ﺟﻣﻠﮫ ‪ MNIST، CIFAR-10‬و ﺑﺎﻧﮏ داده ﭘروﺗﺋﯾن )‪ (PDB‬اﻧﺟﺎم داده ﺷده اﺳت‪.‬‬
‫ﻣدلھﺎ ﺑﺎ اﺳﺗﻔﺎده از ‪ TensorFlow‬و ‪ PyTorch‬ﭘﯾﺎدهﺳﺎزی ﺷدﻧد و آزﻣﺎﯾشھﺎ روی ‪ GPU‬ھﺎی ‪ NVIDIA‬اﺟرا ﺷده اﻧد‪.‬‬

‫‪ ۵.٢‬ﻧﺗﺎﯾﺞ و ﺑﺣث‬

‫ﻧﺗﺎﯾﺞ آزﻣﺎﯾﺷﯽ اﺛرﺑﺧﺷﯽ ﻣدلھﺎی ھوش ﻣﺻﻧوﻋﯽ اﻟﮭﺎمﮔرﻓﺗﮫ از ﻓﯾزﯾﮏ را در وظﺎﯾف ﻣﺧﺗﻠف ﻧﺷﺎن ﻣﯽدھﻧد‪ .‬ﺑﮫ ﻋﻧوان ﻣﺛﺎل‪RBMs ،‬‬
‫ﺑﮫ ﻋﻣﻠﮑرد ﭘﯾﺷرﻓﺗﮫای در اﺳﺗﺧراج وﯾژﮔﯽ و ﮐﺎھش اﺑﻌﺎد دﺳت ﯾﺎﻓﺗﮫ اﻧد‪ ،‬در ﺣﺎﻟﯽ ﮐﮫ ‪ GANs‬و ‪ VAEs‬ﺗﺻﺎوﯾر و ﺳﺎﺧﺗﺎرھﺎی‬
‫ﻣوﻟﮑوﻟﯽ ﺑﺎ ﮐﯾﻔﯾت ﺑﺎﻻ ﺗوﻟﯾد ﮐرده اﻧد‪.‬‬

‫‪ .۶‬ﻧﺗﯾﺟﮫﮔﯾری‬

‫اﯾن ﻣﻘﺎﻟﮫ ﺑﮫ ﺑررﺳﯽ ﺗﻘﺎطﻊ ﻓﯾزﯾﮏ آﻣﺎری و ھوش ﻣﺻﻧوﻋﯽ ﭘرداﺧﺗﮫ و ﺑر روی ﻣدلھﺎی ﻣﺑﺗﻧﯽ ﺑر اﻧرژی و ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﻣرﮐز‬
‫ﮐرده اﺳت‪ .‬ﻣﺑﺎﻧﯽ رﯾﺎﺿﯽ ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن‪ ،‬ﻣﺎﺷﯾنھﺎی ﺑوﻟﺗزﻣن ﻣﺣدودﺷده‪ ،‬ﺷﺑﮑﮫھﺎی ﻣوﻟد ﺗﺧﺎﺻﻣﯽ و رﻣزﮔذارھﺎی ﺧودﮐﺎر‬
‫وارﯾﺎﻧﺳﯽ و ﮐﺎرﺑردھﺎی آﻧﮭﺎ در ﺣوزهھﺎی ﻣﺧﺗﻠف را ﺑررﺳﯽ ﮐردم‪ .‬ﻧﺗﺎﯾﺞ آزﻣﺎﯾﺷﯽ اﺛرﺑﺧﺷﯽ اﯾن ﻣدلھﺎ را در وظﺎﯾﻔﯽ ﻣﺎﻧﻧد اﺳﺗﺧراج‬
‫وﯾژﮔﯽ‪ ،‬ﮐﺎھش اﺑﻌﺎد و ﺗوﻟﯾد ﺗﺻوﯾر ﻧﺷﺎن ﻣﯽدھﻧد‪.‬‬

‫ﻣراﺟﻊ‬

‫‪1. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with‬‬
‫‪neural networks. Science, 313(5786), 504-507.‬‬
‫& ‪2. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ...‬‬
‫‪Bengio, Y. (2014). Generative adversarial nets. Advances in neural information‬‬
‫‪processing systems, 27.‬‬
‫‪3. Kingma, D. P., & Welling, M. (2013). Auto-encoding variational bayes. arXiv preprint‬‬
‫‪arXiv:1312.6114‬‬
 ‫ﺷﮑل ‪ :٢‬دﯾﻧﺎﻣﯾﮏ آﻣوزش ﯾﮏ ﺷﺑﮑﮫ ﻣوﻟد ﺗﺧﺎﺻﻣﯽ )‪.(GAN‬‬ ‫ﺷﮑل ‪ :١‬ﻣﻌﻣﺎری ﯾﮏ ﻣﺎﺷﯾن ﺑوﻟﺗزﻣن ﻣﺣدودﺷده )‪(RBM‬‬

‫ﺷﮑل ‪ :۴‬ﺗﺻﺎوﯾر ﺗوﻟﯾدﺷده ﺑﺎ اﺳﺗﻔﺎده از ‪ GAN‬و ‪VAE‬‬ ‫ﺷﮑل ‪ :٣‬ﻧﻣﺎﯾش ﻓﺿﺎی ﭘﻧﮭﺎن ﯾﮏ رﻣزﮔذار ﺧودﮐﺎر وارﯾﺎﻧﺳﯽ )‪(VAE‬‬