机器学习在路径积分 Monte Carlo 模拟的 Bose-Einstein 凝聚临界温度分析中的应用
统计力学
2019-12-20 v2 量子气体
计算物理
摘要
我们详细介绍了使用简单机器学习算法，从路径积分 Monte Carlo (PIMC) 模拟生成的路径系综中确定 Bose-Einstein 凝聚 (BEC) 临界温度 的方法。我们快速回顾了文献中的临界温度分析方法，然后将简单机器学习算法分析的结果与这些先前发表的方法针对单组分 Coulomb Bose 气体和液态 He 的结果进行了比较，显示出良好的一致性。
引用
@article{arxiv.1912.06654,
title = {Application of machine learning in Bose-Einstein condensation critical-temperature analyses of path-integral Monte Carlo simulations},
author = {Adith Ramamurti},
journal= {arXiv preprint arXiv:1912.06654},
year = {2019}
}
备注
7 pages, 5 figures