可解释且无监督的相分类
无序系统与神经网络
2021-07-21 v1 强关联电子
量子物理
摘要
能直接对相图给出物理洞见的全自动分类方法正受到关注。此处,我们展示一种用于相分类的无监督机器学习方法,其通过最优预测的分析推导而可解释,并允许构造序参量的自动化方案。基于这些发现,我们提出并应用一种替代的、受物理驱动的、数据驱动方案,其依赖于平均输入特征之间的差异。这种基于均值的方法计算代价低且可直接解释。作为一个例子,我们考虑无自旋 Falicov-Kimball 模型在物理上丰富的基态相图。
引用
@article{arxiv.2010.04730,
title = {Interpretable and unsupervised phase classification},
author = {Julian Arnold and Frank Schäfer and Martin Žonda and Axel U. J. Lode},
journal= {arXiv preprint arXiv:2010.04730},
year = {2021}
}
备注
6+12 pages, 3+7 figures