探索神经网络训练策略以确定受阻磁模型中的相变
计算物理
2021-09-30 v2 统计力学
强关联电子
摘要
神经网络的迁移学习是其最突出的方面之一，并使带神经网络的有监督学习在数据科学中占据显要地位。我们在此强相互作用多体系统背景下探索这一特性。通过案例研究，我们利用全连接与卷积神经网络测试这种深度学习技术探测受阻自旋系统中相及其相变的潜力。此外，我们探索了一种近期引入的、处于有监督与无监督学习中间点的技术。它在于评估一个在训练中被人故意“混淆”的神经网络的表现。为恰当展示“混淆”与迁移学习技术的能力，我们将它们应用于一个二维受阻磁性的范式模型，以确定其相图并与高性能蒙特卡洛模拟进行比较。
引用
@article{arxiv.2009.00661,
title = {Exploring neural network training strategies to determine phase transitions in frustrated magnetic models},
author = {I. Corte and S. Acevedo and M. Arlego and C. A. Lamas},
journal= {arXiv preprint arXiv:2009.00661},
year = {2021}
}