基于深度异常检测的无监督相发现
量子物理
2021-03-19 v2 无序系统与神经网络
摘要
我们展示了如何利用自动化无监督机器学习探索相图，以寻找可能存在新相的感兴趣区域。与使用预定标签对数据进行分类的有监督学习不同，我们在此执行异常检测，其任务是将由一个或数个类别组成的正常数据集与异常数据区分开来。作为一个范式示例，我们探索了一维扩展 Bose Hubbard 模型在精确整数填充下的相图，并采用深度神经网络以完全无监督且自动化的方式确定整个相图。作为学习的输入数据，我们首先使用由张量网络算法推导出的用于基态计算的纠缠谱与中心张量，随后我们扩展了方法并使用实验可获取的数据(如低阶关联函数)作为输入。我们的方法使我们揭示了一个介于超固态与超流体部分之间具有意外性质的相分离区域，该区域除标准的超流体、Mott 绝缘体、Haldane 绝缘体与密度波相之外出现在系统中。
引用
@article{arxiv.2003.09905,
title = {Unsupervised phase discovery with deep anomaly detection},
author = {Korbinian Kottmann and Patrick Huembeli and Maciej Lewenstein and Antonio Acin},
journal= {arXiv preprint arXiv:2003.09905},
year = {2021}
}
备注
5 pages, 6 figures, suppl. material at http://journals.aps.org/prl/supplemental/10.1103/PhysRevLett.125.170603/PRL_suppl.pdf, readable code at https://github.com/Qottmann/phase-discovery-anomaly-detection