关于人工神经网络在自旋模型中的泛化能力

人工神经网络（ANNs）的适用性通常局限于其训练所用的模型，而关于其泛化能力所知甚少，这是将训练好的 ANNs 实际应用于未见问题的紧迫议题。此处，通过识别自旋模型中相变这一任务，我们确立了一种系统性的泛化能力：用二维铁磁伊辛模型训练的简易 ANNs 可应用于不同维度中 $q \geq 2$ 的铁磁 $q$ 态 Potts 模型。同一方案也可应用于高度非平凡的反对铁磁 $q$ 态 Potts 模型。我们证明，通过将训练数据所张成的指数级大状态空间约简为仅包含通过对称性考量人工构建的三种代表性构型的状态空间，可获得类似结果。我们期望我们的发现能简化并加速自旋模型相关物理与材料科学中机器学习辅助任务的发展。