自监督集成学习：多体系统相变分类的通用方法
统计力学
2023-10-27 v1
摘要
我们开发了一种自监督集成学习（SSEL）方法，通过分析机器学习输出的涨落特性来精确分类不同类型的相变。以二维Potts模型和二维Clock模型为基准，我们展示了SSEL在区分一级、二级和Berezinskii-Kosterlitz-Thouless相变方面的能力，使用原位自旋构型作为输入特征。此外，我们表明SSEL方法也可应用于研究一维Ising和一维XXZ模型中的量子相变，只需结合量子采样。我们认为SSEL模型模拟了一个具有物理量之间高阶关联的特殊状态函数，因此提供了比先前机器学习方法更丰富的信息。因而，我们的SSEL方法通常可应用于相变的识别/分类，即使在没有底层理论模型明确知识的情况下。
引用
@article{arxiv.2306.17629,
title = {Self-Supervised Ensemble Learning: A Universal Method for Phase Transition Classification of Many-Body Systems},
author = {Chi-Ting Ho and Daw-Wei Wang},
journal= {arXiv preprint arXiv:2306.17629},
year = {2023}
}