利用神经网络识别物理系统中的相变：神经架构搜索的视角

使用机器学习算法研究物理系统中的相变是更好地理解这些系统特征的一种有价值的方法。神经网络已被用于直接从多体位形中提取相和相变的信息。然而，神经网络的一个局限性在于它们在应用之前需要定义模型架构和参数，而这种确定本身就是一个难题。在本文中，我们首次研究了神经网络对相信息的准确性与网络配置（包括架构和超参数）之间的关系。我们将相分析表述为回归任务，解决了生成反映物理系统不同状态的数据的问题，并评估了神经架构搜索在此任务中的性能。在获得优化的架构后，我们进一步通过神经元覆盖率指标实现了智能数据处理和分析，评估了这些指标估计相变的能力。我们的结果确定神经元覆盖率指标在检测物理系统相变方面具有前景。