基于原始与重排构型的 (1+1) 维有向渗流机器学习

机器学习（ML）可处理由复杂系统生成的大规模数据集，这非常适合于临界现象中常见的分类任务。同时，ML 技术已被发现能有效探测临界点，或更广义地相分离，并提取临界指数。但 ML 仍有许多未解决问题，其中之一是无监督学习隐变量的含义。有人认为隐变量与主成分可能包含所关注系统序参量的基本信息，这听起来合理但缺乏证据。本研究旨在寻找支持如下猜想的证据：自编码器（AE）的单一潜变量与 PCA 的第一主成分只能作为与粒子密度相关的信号，而粒子密度恰好是非平衡 DP 模型的序参量。确实，在某些相变（PT）模型中序参量为粒子密度，而在另一些 PT 模型中则不是。我们对 DP 构型进行了一定程度的随机重排，随后将其作为输入送入神经网络，发现 AE 的单一潜变量与 PCA 的第一主成分确实可以表示粒子密度。研究发现重排确实影响系统中最大团簇的大小，这表明 PCA 的第二主成分与最大团簇相关。这得到了随重排比例变化转变系统关联长度改变的支持。