"说物理学家能听懂的话！"：用于探测相变和序参量的 TetrisCNN
量子物理
2024-11-05 v1 无序系统与神经网络
摘要
最近，神经网络（NNs）已成为探测物质量子相的强大工具。不幸的是，NNs 是黑箱，只能识别相而无法阐明其性质。新颖的物理学最受益于对相的洞察，传统上利用自旋关联函数在自旋系统中提取。我们结合两种方法，设计了 TetrisCNN——一种具有并行分支的卷积神经网络，使用不同的核来探测自旋系统的相，并以基于自旋关联函数的符号形式表达其本质描述子，即序参量。我们在一维横向场 Ising 模型在不同基矢下拍摄的快照上展示了这一点。我们还证明 TetrisCNN 可以利用二维 Ising 规范理论的例子探测更复杂的序参量。这项工作可促成 NNs 与量子模拟器的整合，以研究新的奇异物质相。
引用
@article{arxiv.2411.02237,
title = {Speak so a physicist can understand you! TetrisCNN for detecting phase transitions and order parameters},
author = {Kacper Cybiński and James Enouen and Antoine Georges and Anna Dawid},
journal= {arXiv preprint arXiv:2411.02237},
year = {2024}
}
备注
13 pages, 7 figures. Accepted as a poster at the NeurIPS ML4PS 2024 workshop. Example code is available at https://github.com/kcybinski/TetrisCNN_for_spin_systems