一种用于表征相变的混淆学习途径
无序系统与神经网络
2023-08-09 v2
摘要
近来，混淆学习（LBC）方法被提出作为一种机器学习工具，可在无需相变临界温度Tc任何先验知识（甚至近似值）的情况下确定Tc。然而，该方法的有效性仅对连续相变得到证明，其中混淆只能源于对数据的故意错误标注，而非不同相的共存。为验证混淆方案是否亦可用于不连续相变，本工作中我们将LBC方法应用于三个微观模型——Blume-Capel、q态Potts与Falicov-Kimball模型，它们依模型参数经历连续或不连续相变。借助一个简单模型，我们预测不连续相变中存在的相共存可使神经网络更为混淆，从而降低其性能。然而，对上述模型进行的数值计算表明，此类相变的其他方面更为重要，并可使LBC方法效力下降。尽管如此，我们证明在某些情况下，相同方面允许我们利用LBC方法识别相变的阶数。
引用
@article{arxiv.2206.15114,
title = {A learning by confusion approach to characterize phase transitions},
author = {Monika Richter-Laskowska and Marcin Kurpas and Maciej Maśka},
journal= {arXiv preprint arXiv:2206.15114},
year = {2023}
}