机器学习检测巴泽尔inskii-科斯特利奇-ouch 相变

巴泽尔inskii-科斯特利奇-ouch (BKT) 相变是一种典型的拓扑相变，定义为涡旋和反涡旋束缚态与解绑态之间的相变，这不伴随自发对称性破坏。人们已知，由于自由能中不存在异常且存在显著的有限尺寸效应，BKT 相变难以从热力学量（如比热和磁化率）中检测。因此，常用于讨论相变的统计力学方法难以应用于 BKT 相变。近年来，几种尝试使用基于图像识别技术的机器学习方法检测 BKT 相变的尝试已报道。然而，由于缺乏平凡的序参量和对称性破坏，机器学习方法的检测仍然困难。迄今为止提出的大多数方法需要对模型进行先验知识或对输入数据进行特征工程的预处理，这在通用适用性方面存在问题。本文介绍了近期发展的机器学习方法用于检测多个自旋模型中的 BKT 相变。具体而言，我们演示了两个新方法——温度识别方法和相位分类方法——用于检测 q 状态时钟模型和 XXZ 模型中的 BKT 相变。预期这一进展将推动基于机器学习的自旋模型研究，以探索简单基准测试之外的新物理。