方形格子上各向异性粒子系统的机器学习相变
统计力学
2021-05-25 v4 无序系统与神经网络
数据分析、统计与概率
摘要
机器学习(ML)领域近年来取得非凡增长。ML 方法在物理学各分支的成功应用带来了新见解。这些方法已被证明可对凝聚态系统中的相进行分类。此处我们研究方形格子上硬刚棒系统在连续与一级相变附近的相分类问题。比较多种方法后, 我们发现当仅以快照作为输入时, 卷积神经网络(CNN)以最高准确率对相进行分类。我们研究系统尺寸如何影响模型性能。我们进一步比较 CNN 在连续与一级相变附近相分类中的表现。此外, 我们表明通过使用物理引导特征, 甚至可用更简单的模型击败 CNN 的准确率。最后, 我们表明仅利用有序相信息(作为训练集)即可在无任何先验估计下学习该系统的临界点。我们的研究揭示, 在自旋系统中成功的 ML 技术可轻易适配于更复杂系统。
引用
@article{arxiv.2102.03006,
title = {Machine Learned Phase Transitions in a System of Anisotropic Particles on a Square Lattice},
author = {Karthik Padavala and Avaneesh Singh and Joyjit Kundu},
journal= {arXiv preprint arXiv:2102.03006},
year = {2021}
}
备注
9 pages, 8 figures