基于深度学习的具有 QCD 相变的随机过程研究

由于随机过程固有的随机性,识别相变并追踪其动力学过程并非易事。在本文中,我们采用深度学习方法对朗之万描述下涨落系统的相变阶数和阻尼系数进行分类与预测。作为一个具体设定,我们在临界点附近 QCD 物质中的标量凝聚展示了这一范式,其中手征相变的序参量可由 $\sigma$ 场的 $1+1$ 维朗之万方程刻画。在以监督学习的方式下,卷积神经网络(CNNs)基于含涨落的 $\sigma$ 场构型准确分类了一阶相变和交叉相变。随机过程中的噪声并未显著阻碍训练良好的神经网络对相变阶识别的性能。对于具有不同动力学参数的混合动力学,我们进一步设计并训练机器在较宽范围内预测阻尼系数 $\eta$。结果表明,从崎岖的场构型中提取动力学是稳健的。