强关联费米子相的机器学习
强关联电子
2017-09-12 v3
摘要
机器学习为凝聚态物理中的相分类问题提供了前所未有的视角。我们采用神经网络机器学习技术来区分立方晶格上强关联费米子的有限温度相。我们表明，在 Hubbard 模型的量子蒙特卡洛模拟产生的辅助场构型上训练的三维卷积网络，能够正确预测该模型在平均密度为一（半填充）时的磁相图。然后，我们使用在半填充下训练的网络，来探索系统偏离半填充进行掺杂时相变温度的变化趋势。这种迁移学习方法预测，在该区域内对磁相的不稳定性至少延伸至 5% 的掺杂水平。我们的结果为关联量子多体系统中的其他机器学习应用铺平了道路。
引用
@article{arxiv.1609.02552,
title = {Machine Learning Phases of Strongly Correlated Fermions},
author = {Kelvin Ch'ng and Juan Carrasquilla and Roger G. Melko and Ehsan Khatami},
journal= {arXiv preprint arXiv:1609.02552},
year = {2017}
}
备注
9 pages, 8 figures