发现Potts模型中的准序参量：机器学习与临界现象之间的桥梁

在Ising自旋构型上训练的机器学习（ML）模型，即使在处理仅保留两种自旋态的极度简化表示时，也能展现出对Potts模型相分类的惊人有效性。为了揭示这一非凡能力，我们为正方晶格上的$q=3$和$q=4$ Potts模型识别了一族替代序参量，这些参量由次要和最小自旋态的占据数构建，而非传统的优势态序参量。通过系统的有限尺寸标度分析，我们证明这些量，连同从简化自旋表示导出的类磁化量，能准确捕捉临界行为，给出的临界温度和临界指数与既有的理论预测和数值基准一致。此外，我们严格建立了这些替代（准）序参量之间的基本关系，展示了它们如何通过自旋构型的不同方面共同编码临界性。我们的结果在此特定设定下阐明了简化自旋表示如何能保留识别临界行为所需的基本热力学信息。总而言之，这项工作通过展示Potts临界性可以编码在更紧凑、非传统的形式中，在Ising训练的ML模型与Potts系统中的临界现象之间建立了一座具体的桥梁，从而为在更广泛的自旋系统中发现类似的序参量开辟了途径。