利用机器学习回归不确定性揭示自驱动活性粒子的集群相变

我们发展了基于神经网络的“从回归不确定性中学习”方法，用于自动检测非平衡活性系统中的物质相。以 Vicsek 模型描述的自驱动活性粒子的集群相变为例，我们发现，在训练一个神经网络以解决逆统计问题（即执行从此类非平衡多体复杂系统稳态构型的给定样本重建噪声水平的回归任务）后，训练良好网络所得回归结果的不确定性实际上可用于揭示所研究系统中可能的相变。回归不确定性对噪声水平的依赖呈现非平凡的 M 形，其谷值出现在集群相变的临界点。通过将该基于回归的方法与广泛使用的基于分类的“由混淆学习”和“由遮蔽学习”方法直接比较，我们表明我们的方法具有实际有效性、高效性、对跨学科学科各类物理系统的良好普适性，以及通过物理学传统概念获得可解释性的更大可能。这些方法可互补构成一个有前景的通用工具箱，用于研究丰富的临界现象并为各类相变的存在提供数据驱动证据，尤其是那些与传统物理研究方法可能面临困难的一级相变或与非平衡活性系统相关的复杂情形。