用神经网络从斯格明子动力学相变视频中学习序参量

从视频中识别物理事件中的动力学现象(如动力学相)与动力学过程，进而抽象出物理概念并揭示物理规律，是人类智能的核心能力。本文的主要目的在于使用神经网络对若干视频的动力学相进行分类，并证明神经网络能够从中学习物理概念。为此，我们采用多个神经网络来识别基于粒子的斯格明子模型的静态相(图像格式)与动力学相(视频格式)。我们的结果表明，神经网络在没有任何先验知识的情况下，不仅能正确分类这些相，还能预测与模拟结果一致的相边界。我们进一步提出了一种参数可视化方案，以解释神经网络所学到的内容。我们展示了神经网络能够从动力学相的视频中学习两个序参量，并预测这两个序参量的临界值。最后，我们证明仅需两个序参量即可识别斯格明子动力学相的视频。这表明该参数可视化方案可用于确定完全识别输入相所需的序参量个数。我们的工作为未来利用神经网络从视频中发现新物理概念并揭示未知物理规律提供了启示。