基于神经网络的相检测：解读黑箱
量子物理
2020-11-18 v3 无序系统与神经网络
摘要
神经网络(NNs)通常会阻碍对其预测背后推理过程的任何洞察。我们展示了影响函数如何能够揭示在训练用于预测一维扩展无自旋Fermi-Hubbard模型半填充相时的神经网络黑箱。结果提供了有力证据，表明该神经网络正确学习了描述该模型中量子相变的序参量。我们证明影响函数可用于检查：训练用于识别已知量子相的网络能够预测数据集内新的未知相。此外，我们表明它们可以引导物理学家理解导致相变的模式。该方法不需要关于序参量的先验知识，不依赖于神经网络的架构或底层物理模型，因此适用于广泛的物理模型或实验数据类别。
引用
@article{arxiv.2004.04711,
title = {Phase Detection with Neural Networks: Interpreting the Black Box},
author = {Anna Dawid and Patrick Huembeli and Michał Tomza and Maciej Lewenstein and Alexandre Dauphin},
journal= {arXiv preprint arXiv:2004.04711},
year = {2020}
}
备注
9 pages, 6 figures, example code is available at https://github.com/Shmoo137/Interpretable-Phase-Classification