从回归不确定性中学习相变：一种基于回归的自动化物质相检测机器学习新方法

对于各类物理问题中的回归任务，提高精度或等价地降低回归结果的不确定性无疑是其核心目标之一。本文中，有些令人意外地，我们发现逆统计问题回归任务中不利的回归不确定性实际上包含了关于所考虑系统相变的隐藏信息。利用该隐藏信息，我们开发了一种用于自动化检测物质相的无监督机器学习新方法，称为从回归不确定性中学习。这通过揭示回归不确定性与系统响应特性之间的内在联系得以实现，从而使该机器学习方法的输出可通过传统物理概念直接解释。我们通过识别铁磁Ising模型和三态时钟模型的临界点，以及揭示六态和七态时钟模型中中间相的存在来演示该方法。相较于迄今广泛使用的基于分类的方法，尽管后者成功，但其识别出的模式类别本质上是抽象的，阻碍了它们与传统物理概念的直接关联。即使采用擅长分类任务的最先进深度神经网络，这些挑战依然存在。相反，以执行回归任务的神经网络为核心工具，我们的新方法不仅实践中更高效，也为通过机器学习以物理可解释的方式揭示新物理开辟了引人入胜的可能性。