利用强化学习在一维中实现 Ising 自旋的自适应动力学
软凝聚态物质
2024-12-02 v1 统计力学
摘要
研究了一种基于主动 Ising 自旋的一维群队模型,该模型通过定义每个自旋的状态、动作和代价函数来进行强化学习。自旋相对于其相邻自旋的定向定义其状态。通过根据ε-贪婪算法（动作）选择均匀分布中的有限步来更新自旋的定向。ε参数类似于系统中的热噪声。代价函数解决自旋之间的团聚问题。通过探索自旋驱动速度和ε参数的平面,发现了四种不同的相:无序相、群队相、翻转相和振荡相。在翻转相中,浓缩群队以随机方式反转其运动方向。平均翻转时间⟨T⟩随ε指数衰减。在振荡相中,发现了一种具有正 Lyapunov 指数的混沌相。即使没有为自旋之间定义任何显式相互作用,强化学习方法对主动 Ising 模型系统所得结果也与其他传统技术的结果相似。
关键词
引用
@article{arxiv.2411.19602,
title = {Adaptive dynamics of Ising spins in one dimension leveraging Reinforcement Learning},
author = {Anish Kumar and Pawan Kumar Mishra and Riya Singh and Shradha Mishra and Debaprasad Giri},
journal= {arXiv preprint arXiv:2411.19602},
year = {2024}
}