BEGIN:VCALENDAR VERSION:2.0 PRODID:-//CERN//INDICO//EN BEGIN:VEVENT SUMMARY:Architecture of Neuromorphic Hardware with Embedded Learning DTSTART;VALUE=DATE-TIME:20191108T050000Z DTEND;VALUE=DATE-TIME:20191108T052000Z DTSTAMP;VALUE=DATE-TIME:20260725T063604Z UID:indico-contribution-4-33@sshep.snu.ac.kr DESCRIPTION:Speakers: Doo Seok Jeong (Hanynag University)\nhttps://sshep.s nu.ac.kr/event/107/contributions/33/ LOCATION:Seoul National University\, College of Natural Sciences\, Buildin g 25-1 국제회의실 (International Conference Hall) URL:https://sshep.snu.ac.kr/event/107/contributions/33/ END:VEVENT BEGIN:VEVENT SUMMARY:Quantum Algorithms and Quantum Machine Learning DTSTART;VALUE=DATE-TIME:20191108T060000Z DTEND;VALUE=DATE-TIME:20191108T062000Z DTSTAMP;VALUE=DATE-TIME:20260725T063604Z UID:indico-contribution-4-34@sshep.snu.ac.kr DESCRIPTION:Speakers: Jeongho Bang (KIAS)\n정보처리/컴퓨팅에의 초소형화/고집적화 그리고 무어의 법칙 등은 정보이론 과 양자물리학의 융합 및 발전이 필연임을 반영한다. 양 자물리학에 기반한 컴퓨팅에의 속도향상 등의 연구는 그 가능성을 증명하는 수준을 넘어\, 양자기술의 실현이 라는 현실적 목표앞에 와 있다. 이제\, 양자컴퓨팅/통신 등의 용어는 학계를 넘어 이미 우리 일상에 와 있다. 이 에\, 본 강연에서는 기본적인 양자원리\, 즉 양자중첩 및 얽힘 등을 이해하고\, 알려진 유명한 양자알고리즘들과 더불어 어떻게 양자머신러닝에의 속도향상이 가능한지 간략히 살펴보고자 한다. 아울러\, 최근 연구 동향 및 이슈 등 또한 간략히 소개하고자 한다.\n\nhttps://sshep.snu.a c.kr/event/107/contributions/34/ LOCATION:Seoul National University\, College of Natural Sciences\, Buildin g 25-1 국제회의실 (International Conference Hall) URL:https://sshep.snu.ac.kr/event/107/contributions/34/ END:VEVENT BEGIN:VEVENT SUMMARY:Exploration of energy surfaces and conformation of molecules and s olids by utilizing a machine-learning technique DTSTART;VALUE=DATE-TIME:20191108T054000Z DTEND;VALUE=DATE-TIME:20191108T060000Z DTSTAMP;VALUE=DATE-TIME:20260725T063604Z UID:indico-contribution-4-35@sshep.snu.ac.kr DESCRIPTION:Speakers: Jaejun Yu (Seoul National University)\nPredicting th e physical properties of novel materials requires an accurate description of atomic interactions as provided by first-principles quantum mechanical calculations. Efficient and practical calculation tools have been develope d along with the progress of density functional theory (DFT). Still\, howe ver\, the computational complexity associated with the quantum mechanical treatment limits their applications to systems of a few hundreds of atoms at most. Here\, we present an application of the Gaussian process regressi on (GPR) scheme to the global optimization\, conformation space annealing\ , and pathway optimization methods. We demonstrate that the use of GPR-bas ed pathway optimization technique\, e.g.\, action-derived molecular dynami cs (ADMD) method\, can be useful in enhancing the computational performanc e. We will discuss possible future applications of the GPR-based machine l earning technique for the exploration of energy surfaces and conformation of molecules and solids.\n\nhttps://sshep.snu.ac.kr/event/107/contribution s/35/ LOCATION:Seoul National University\, College of Natural Sciences\, Buildin g 25-1 국제회의실 (International Conference Hall) URL:https://sshep.snu.ac.kr/event/107/contributions/35/ END:VEVENT BEGIN:VEVENT SUMMARY:Information in Unsupervised Learning DTSTART;VALUE=DATE-TIME:20191108T052000Z DTEND;VALUE=DATE-TIME:20191108T054000Z DTSTAMP;VALUE=DATE-TIME:20260725T063604Z UID:indico-contribution-4-36@sshep.snu.ac.kr DESCRIPTION:Speakers: Junghyo Jo (Seoul National University)\nInformation bottleneck theory explains that neural networks maximally compress unneces sary information in input data\, and transfer sufficient information to ou tput. Unlike the supervised learning\, the information flow of unsupervise d learning has not been explored much. In this talk\, I introduce the info rmation extraction of unsupervised learning by using a representative gene rative model\, deep belief networks. Then\, I show that the unsupervised l earning maximally extracts relevant information given a fixed information compression for its internal representations. This relation between the in formation bottleneck theory and our theory reminds the duality between the rate distortion theory and channel capacity in information theory. \n\n[ 국문] Information bottleneck 이론은 지도학습과정에서 일어 나는 신경망의 정보흐름을 정량화하는 이론이다. 이 이 론에 따르면 신경망의 학습은 입력과 출력을 연결시켜 주는 최소한의 정보만 전달하고 불필요한 정보는 최대 한 압축하는 과정임을 보여주었다. 우리는 입력과 출력 이 정의되는 지도학습과 달리 비지도학습과정에서 일어 나는 신경망의 정보흐름에 대해 연구했다. 이 발표에서 는 대표적인 생성모형인 딥빌리프네트워크를 통해서 비 지도학습과정의 정보추출에 대해 소개하려고 한다. 우 리는 딥빌리프네트워크가 주어진 해상도의 내적표현을 가질 때\, 내적표현의 빈도수에서 최대한의 정보를 추출 한다는 사실을 발견하였다. Information bottleneck 이론과 우 리 이론의 관계는 마치 정보이론의 rate distortion theory와 c hannel capacity 사이의 쌍대성을 떠올리게 한다.\n\nhttps://ssh ep.snu.ac.kr/event/107/contributions/36/ LOCATION:Seoul National University\, College of Natural Sciences\, Buildin g 25-1 국제회의실 (International Conference Hall) URL:https://sshep.snu.ac.kr/event/107/contributions/36/ END:VEVENT END:VCALENDAR