用于学习相变与临界性的通用神经网络
无序系统与神经网络
2021-03-22 v1 统计力学
强关联电子
高能物理 - 格点
摘要
构建了一个与计算研究相变的真实实验相关临界性有关的通用监督神经网络(NN)。通过将所建NN应用于计算立方晶格上若干三维(3D)模型的临界性来检验其有效性，包括经典模型、5态铁磁Potts模型以及二聚化量子反铁磁Heisenberg模型。特别地，尽管所考虑的NN仅在一次训练中使用120站点的一维(1D)晶格，它仍成功确定了所研究3D系统的相关临界点。此外，测试阶段未使用真实的态构型。相反，用于预测的构型构建于120站点的一维晶格上，并基于所考虑模型的体相量或微观态。因此，我们的计算最终在计算上极为高效，且所建NN的应用极其广泛。考虑到所研究系统彼此差异巨大，令人惊讶的是训练与测试阶段这两种策略的结合催生了用于学习3D模型相与临界性的高度通用监督神经网络。基于本研究呈现的结果，极有可能为临界现象之外的多体系统领域构建更简单却优雅的机器学习技术。
引用
@article{arxiv.2103.10846,
title = {A universal neural network for learning phases and criticalities},
author = {D. -R. Tan and J. -H. Peng and Y. -H. Tseng and F. -J. Jiang},
journal= {arXiv preprint arXiv:2103.10846},
year = {2021}
}
备注
11 pages, 18 figures