利用机器学习识别非平衡物质相
无序系统与神经网络
2018-06-27 v1
摘要
基于神经网络的机器学习正成为一种强有力的工具，用于在传统的基于局域平衡序参量的回归方案不可用时（如多体局域化或拓扑相中）获取相图。然而迄今为止，机器学习提供新见解的实例仍很少见。此处我们展示，单个前馈神经网络可利用从单个本征态获得的纠缠谱，解码两种不同MBL相与热化相的定义性结构。为此，我们引入一种基于单纯几何的方法来提取多体相边界。我们发现该方法在识别MBL相变上优于常规度量（如纠缠熵），揭示了更锐利的相边界，并增进了对相图拓扑的新认识。此外，我们从单一无序构型获得的相图证实，我们在此建立的基于机器学习的方法能够实现大型相空间的快速探索，从而有助于发现新的MBL相。据我们所知，该工作代表了机器学习方法揭示超越常规认知的新信息的首个范例。
引用
@article{arxiv.1711.00020,
title = {Machine learning out-of-equilibrium phases of matter},
author = {Jordan Venderley and Vedika Khemani and Eun-Ah Kim},
journal= {arXiv preprint arXiv:1711.00020},
year = {2018}
}
备注
5 pages, 4 figures