无需使用真实数据训练即可用机器学习相变与临界性
无序系统与神经网络
2021-01-04 v2 统计力学
强关联电子
高能物理 - 格点
计算物理
摘要
我们利用监督神经网络（NN）技术研究了三维（3D）经典 O(3) 模型与二维（2D）经典 XY 模型的相变，以及 2D 和 3D 二聚化自旋-1/2 反铁磁体的量子相变。此外，与文献中常用的传统方法不同，我们所采用的训练集既非所考虑系统的理论构型，也非真实构型。值得注意的是，借助此种非常规的训练阶段设置并结合半实验有限尺寸标度公式，由 NN 方法确定的相应临界点与文献中既有结果吻合良好。此处所得结果表明，某些非常规训练策略（如本研究中所用者）不仅计算成本低廉，而且可适用于广泛范围的物理系统。
引用
@article{arxiv.2007.14809,
title = {Machine learning phases and criticalities without using real data for training},
author = {D. -R. Tan and F. -J. Jiang},
journal= {arXiv preprint arXiv:2007.14809},
year = {2021}
}
备注
14 pages and 33 figures; more references are added; the results of 2D classical XY model are included in this revised version