自旋模型的机器学习研究
统计力学
2020-02-12 v1
摘要
随着机器学习的最近发展，Carrasquilla 与 Melko 提出了一种与传统方法互补的范式，用于自旋模型的研究。作为研究宏观物理量热平均的替代方案，他们利用自旋构型通过机器学习对相变的无序相与有序相进行分类。我们扩展并推广了该方法。我们关注长程关联函数的构型而非自旋构型本身，这使得我们能够对多组分系统以及具有矢量序参量的系统提供相同处理。我们用相同技术分析了 Berezinskii-Kosterlitz-Thouless（BKT）转变，以分类三个相：无序相、BKT 相与有序相。我们还展示了使用不同模型的训练数据对某一模型进行分类。
引用
@article{arxiv.2001.03989,
title = {Machine-Learning Studies on Spin Models},
author = {Kenta Shiina and Hiroyuki Mori and Yutaka Okabe and Hwee Kuan Lee},
journal= {arXiv preprint arXiv:2001.03989},
year = {2020}
}
备注
accepted for publication in Scientific Reports; main text + supplementary information