基于单粒子关联函数的相互作用拓扑相的无监督与有监督学习

机器学习算法的最新进展推动了这些技术在凝聚态物理领域的应用，例如用于分类平衡态物质相或预测一大类物理模型的实时动力学。通常在这类工作中，机器学习算法在来自同一物理模型的数据上进行训练和测试。本文证明，当在非可解模型的数据上训练时，无监督与有监督机器学习技术能够预测非精确可解模型的相。具体而言，我们采用由非相互作用量子线的单粒子关联函数构成的训练集，并利用主成分分析、k-means聚类和卷积神经网络重构了一个相互作用超导体的相图。我们表明，在非相互作用模型数据上训练的主成分分析和卷积神经网络都能以较高准确度识别相互作用模型的拓扑相。我们的发现表明，由相互作用存在而产生的非平庸物质相，可通过将无监督与有监督技术应用于非相互作用系统的数据来识别。