用机器学习对掺杂Hubbard模型快照进行分类
量子气体
2019-10-02 v1 无序系统与神经网络
强关联电子
摘要
用于超冷原子的量子气体显微镜能够提供复杂多体系统的高分辨率实空间快照。我们采用机器学习来分析并分类此类超冷原子快照。具体而言，我们将二维Fermi-Hubbard模型的实验实现数据分别与两种理论方法进行比较：共振价键型的掺杂量子自旋液体态，以及描述具有隐藏自旋序态的几何弦理论。该方法考虑了所有可用信息，不会因可观测量的选择而对某一特定理论产生潜在偏向，因此能够选出总体上预测能力更强的理论。在中等掺杂值以下，与掺杂自旋液体相比，我们的算法倾向于将实验快照分类为几何弦类。我们的结果展示了机器学习在处理量子气体显微镜所获海量数据以获取新物理见解方面的潜力。
引用
@article{arxiv.1811.12425,
title = {Classifying Snapshots of the Doped Hubbard Model with Machine Learning},
author = {Annabelle Bohrdt and Christie S. Chiu and Geoffrey Ji and Muqing Xu and Daniel Greif and Markus Greiner and Eugene Demler and Fabian Grusdt and Michael Knap},
journal= {arXiv preprint arXiv:1811.12425},
year = {2019}
}
备注
4 pages, 3 figures + 4 pages, 5 figures