显式序参量的机器学习：从伊辛模型到 SU(2) 格点规范理论
统计力学
2017-11-15 v1 高能物理 - 格点
摘要
我们提出了一种在决策函数具有充分对称性的前提下，将人工神经网络的决策函数重构为输入的简单函数的流程。在这种情况下，可以轻易推断出神经网络对输入进行分类所依据的量。该流程被嵌入到一个机器学习算法流水线中，该流水线能够检测物质不同相的存在、确定相变位置，并找出算法用以区分相的物理量的显式表达式。除蒙特卡洛采样的构型外，我们假设对哈密顿量或序参量没有任何先验知识。该方法被应用于伊辛模型和 SU(2) 格点规范理论。在这两个系统中，我们都从神经网络的决策函数中推导出了已知序参量的显式表达式。
引用
@article{arxiv.1705.05582,
title = {Machine Learning of Explicit Order Parameters: From the Ising Model to SU(2) Lattice Gauge Theory},
author = {Sebastian Johann Wetzel and Manuel Scherzer},
journal= {arXiv preprint arXiv:1705.05582},
year = {2017}
}