非线性极化激元晶格中相变的机器学习
介观与纳米尺度物理
2022-05-16 v2 无序系统与神经网络
量子物理
摘要
极化激元晶格为研究非线性驱动耗散物理提供了独特试验台。它们展现出稳态随系统参数变化的定性改变,类似于非平衡相变。与平衡对应物不同,这些相变无法用常规统计物理方法刻画。在此,我们研究具有最近邻耦合的方形排列极化激元凝聚体晶格,并模拟极化激元晶格的极化(赝自旋)动力学,观察到具有不同稳态极化图案的区域。我们使用机器学习方法对这些图案分类,并确定分隔不同区域的边界。首先,我们使用无监督数据挖掘技术勾勒相变边界。我们随后应用 learning by confusion(基于神经网络的数据集标签学习方法),提取极化激元相图。我们的工作向 AI 赋能的极化激元系统研究迈出了一步。
引用
@article{arxiv.2104.12921,
title = {Machine learning of phase transitions in nonlinear polariton lattices},
author = {D. Zvyagintseva and H. Sigurdsson and V. K. Kozin and I. Iorsh and I. A. Shelykh and V. Ulyantsev and O. Kyriienko},
journal= {arXiv preprint arXiv:2104.12921},
year = {2022}
}
备注
to appear in Communications Physics