基于无监督学习的准周期性晶格中扩展态、局域态与临界态的分类
无序系统与神经网络
2024-10-22 v1 量子物理
摘要
相位分类是凝聚态物理学中最重要的研究领域之一。本文通过无监督学习方法获得了一维准周期模型的相图。首先，我们选用两种先进的无监督学习算法——基于密度的基于噪声的应用 clustering 算法 (DBSCAN) 和排序点识别聚类结构算法 (OPTICS)，探讨了 Aubry-Andr\'e-Harper 模型和准周期性 p 轨道模型的不同相态。无监督学习结果与传统数值对角化结果良好吻合。最后，我们比较了不同算法的相似性，发现无监督学习算法结果与传统算法结果的相似性已超过 98%。本工作为无监督学习在相位分类中的应用指明了方向。
引用
@article{arxiv.2410.15061,
title = {Classifying extended, localized and critical states in quasiperiodic lattices via unsupervised learning},
author = {Bohan Zheng and Siyu Zhu and Xingping Zhou and Tong Liu},
journal= {arXiv preprint arXiv:2410.15061},
year = {2024}
}