无监督机器学习用于非晶格系统相变检测 I. 基础
计算物理
2018-12-07 v1 统计力学
摘要
我们展示了一种无监督机器学习工具在检测非晶格系统相变中的效用。我们聚焦于应用主成分分析（PCA）来检测二维硬盘与三维硬球系统的冻结相变，以及斑块胶体模型中的液-气相分离。如我们所演示，PCA自主发现报告相变的类序参量，从而缓解了对合适序参量进行先验构建或辨识的需求——由此精简了相行为的常规分析。在配套论文中，我们进一步拓展本文建立的方法，以探索在由组分去混、液晶序及非平衡主动力控制的各种模型系统中检测相变。
引用
@article{arxiv.1808.00084,
title = {Unsupervised machine learning for detection of phase transitions in off-lattice systems I. Foundations},
author = {R. B. Jadrich and B. A. Lindquist and T. M. Truskett},
journal= {arXiv preprint arXiv:1808.00084},
year = {2018}
}