深度机器学习在强热涨落下重构晶格拓扑

将人工智能应用于科学问题（即AI for science）目前存在热烈争论。然而，科学问题与涉及图像、文本等的常规问题差异很大，其中随着不均衡科学数据及物理装置复杂效应涌现出新挑战。本工作中，我们展示了深度卷积神经网络（CNN）在存在强热涨落与不均衡数据下重构晶格拓扑（即自旋连接性）的有效性。以具有Glauber动力学的动力学Ising模型为例，CNN将从特定初始构型（称为演化实例）演化的含时局域磁矩（单节点特征）映射至可能存在耦合的出现概率。我们的方案区别于先前那些可能需要节点动力学知识、扰动响应或来自多个演化实例的相关性或传递熵等统计量评估的方案。微调避免了高温下强热涨落引起的“ barren plateau（贫瘠高原）”。在热涨落主导相关性从而导致统计方法普遍失效的情况下，仍可作出准确重构。同时，我们揭示了CNN在处理源自未学习初始自旋构型的实例及具未学习晶格的实例上的泛化能力。我们提出关于在近“双指数”大样本空间中不均衡数据学习的开放问题。