Continuous Specialization Transition in the Soft Committee Machine with ReLU Activation
Universität Leipzig(莱比锡大学)
研究通过副本方法分析具有ReLU激活的软委员会机,确定其在不同训练温度下的临界训练集大小,并揭示ReLU激活函数对多层网络相结构和泛化行为的影响。
2026-03-20 cond-mat.dis-nn
Unsupervised machine learning for identifying phase transition using two-times clustering
本文提出两次聚类方法,从简并样本中筛选完美构型并训练神经网络分类相,通过分类导数峰值识别 Ising、Potts 和 Blume-Capel 模型的相变点,为获取相图提供有效途径。
2023-05-28 cond-mat.dis-nn
Interpreting machine learning of topological quantum phase transitions
人们对利用人工神经网络(ANN)获得量子多体问题物理学新理论见解的可能性越来越兴奋。“可解释性”仍然是一个问题:我们能否理解人工神经网络决策标准的基础,以便为我们的理论理解提供信息?迄今为止,量子物质中的“可解释”机器学习仅限于线性模型,如支持向量机,因为解释非线性ANN的难度更大。在这里,我们考虑拓扑量子相变模型的陈绝缘体,$\mathbb{Z}_2$拓扑绝缘体,和$\mathbb{Z}_2$量子自旋液体,每一个使用浅的全连接前馈ANN.The使用的量子回路拓扑结构,一个“域知识”引导的方法来选择功能,有利于忠实的相图和半定量解释的标准在某些情况下的建设。为了识别拓扑相位,ANN学习物理上有意义的特征,例如拓扑不变量和循环的解限制。在这些情况下的可解释性表明,基于未来使用基于人工神经网络的机器学习在量子多体问题上的理论进展的希望。
2020-12-07 cond-mat.dis-nn cond-mat.str-el physics.comp-ph
Machine learning phase transitions: Connections to the Fisher information
University of Basel(巴塞尔大学);Massachusetts Institute of Technology(麻省理工学院);CSAIL, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
本研究将机器学习相变检测指标与信息几何中的Fisher信息建立联系,证明其从下方逼近Fisher信息平方根,并数值验证了该界在经典与量子系统中的有效性。
2023-11-17 cond-mat.dis-nn cs.LG quant-ph
Quantum phase recognition via unsupervised machine learning
最先进的机器学习技术的应用,以统计的相位问题已经看到了他们的能力,通过提取的多体波函数或在蒙特卡罗模拟采样的多体波函数的集合的基本特征,区分物质的相位激增。在这里,我们介绍了监督机器学习方法的一般化,该方法允许在没有任何先验知识的情况下准确地绘制相互作用的多体系统的相图,例如它们的一般拓扑结构或不同阶段的数量。为了证实这种方法的多功能性,它结合了卷积神经网络与量子蒙特卡罗采样,我们绘制了相互作用的玻色子和费米子模型在零温度和有限温度下的相图,并表明一阶,二阶和Kosterlitz无相变都可以识别。我们明确地表明,我们的方法是能够识别的相变到非平凡的多体相,如超流体或拓扑有序相没有监督。
2017-07-03 cond-mat.dis-nn cond-mat.stat-mech cond-mat.str-el
Phase transitions in soft-committee machines
平衡统计物理被应用于具有可微激活函数的分层神经网络。第一次分析离线学习软委员会机与有限数量(K)的隐藏单元学习完美匹配的规则。我们的结果是准确的极限高温训练温度。对于K=2,我们发现在训练集的临界大小P处,从非专门化到专门化学生配置的二阶相变,而对于K > 2,转变是一阶的。蒙特卡罗模拟表明,我们的结果也是有效的适度低温定性。极限K到无穷大可以解析地执行,过渡发生在呈现N K个例子的顺序之后。然而,非特化的亚稳态持续到P= O(N K^2)。
1998-05-27 cond-mat.dis-nn cond-mat.stat-mech
Machine learning out-of-equilibrium phases of matter
基于神经网络的机器学习正在成为一个强大的工具,用于获得相图时,传统的回归计划,使用本地平衡序参量是不可用的,如在多体本地化或拓扑相。尽管如此,到目前为止,机器学习提供新见解的实例还很少见。在这里,我们表明,一个单一的前馈神经网络可以解码两个不同的MBL阶段和热化阶段的定义结构,使用纠缠光谱从个人本征态。为此,我们引入了一个简单的几何为基础的方法来提取多部相边界。我们发现,这种方法优于传统的度量(如纠缠熵)识别MBL相变,揭示了一个尖锐的相边界和脱落的新的洞察到的拓扑结构的相图。此外,我们从单个无序配置中获得的相图证实了我们在这里建立的基于机器学习的方法可以快速探索大相空间,从而有助于发现新的MBL相。据我们所知,这项工作代表了机器学习方法揭示传统知识之外的新信息的第一个例子。
2017-10-31 cond-mat.dis-nn
Phase probabilities in first-order transitions using machine learning
Landau Institute for Theoretical Physics(朗道理论物理研究所);HSE University(高等经济学院)
本文提出一种基于深度机器学习的三元分类协议,利用已知相能量对自旋构型分类,首次估计一级相变中特定能量构型属于有序、共存和无序相的概率,并据此估算Potts模型的临界能量和潜热,同时发现概率可反映共存相中的几何转变。
2025-09-15 cond-mat.dis-nn cond-mat.stat-mech
Machine-learning detection of the Berezinskii-Kosterlitz-Thouless transition and the second-order phase transition in the XXZ models
本文提出相位分类和温度识别两种神经网络方法,在无先验临界温度条件下检测XXZ模型中的二阶相变与BKT相变,验证了其临界温度评估与传统数值计算一致。
2023-04-18 cond-mat.dis-nn cond-mat.stat-mech cond-mat.str-el
Dynamic heterogeneity at the experimental glass transition predicted by transferable machine learning
本文提出一种可迁移机器学习模型,从非晶过冷液体结构预测结构弛豫,并将其外推至实验玻璃化转变温度,揭示了动态异质性在 $T_g$ 附近演化显著减慢的物理规律。
2023-10-31 cond-mat.dis-nn cond-mat.soft
Machine learning quantum phases of matter beyond the fermion sign problem
最先进的机器学习技术有望成为统计力学中的一个强大工具,因为它们能够以自动化的方式区分物质的不同阶段。在这里,我们证明了卷积神经网络(CNN)可以针对量子多费米子系统进行优化,以便它们正确识别和定位此类系统中的量子相变。使用双场量子蒙特卡罗(QMC)模拟采样的多费米子系统,我们表明,格林函数(但不是辅助场)持有足够的信息,允许通过CNN的不同的费米子相位的区别。我们证明了这种QMC +机器学习方法甚至适用于表现出严重费米子符号问题的系统,其中传统方法从格林函数中提取信息,例如~以等时间关联函数的形式,失败。我们预计,这种分层机器学习技术规避费米子符号问题的能力将推动对统计物理中一些最基本问题的新见解。
2016-08-28 cond-mat.dis-nn cond-mat.stat-mech cond-mat.str-el
Machine learning glass caging order parameters with an artificial nested neural network
在玻璃化转变前后,过冷液体的动力学显著减慢,表现为粒子的笼化,而结构变化保持微妙。在替代最近的机器学习研究寻找玻璃动力学的结构预测,在这里,我们建议直接学习粒子笼功能定义纯粹根据动态。在模拟的硬球玻璃模型中,我们重点讨论了三种转变:超稳定玻璃的熔化、Gardner转变和液体到普通玻璃的转变。实现机器学习算法的基础上的两级嵌套神经网络,我们不仅获得适当的笼序参量的所有三个过渡,但也输入样本的相位分类。相分类结果的有限尺寸标度分析确定了熔融(第一)和加德纳(第二)转变的顺序。避免了假阳性,因为液体到玻璃的转变被指示为交叉,而不是具有明确定义的转变点的相变。这项研究铺平了道路,以一个通用的方法学习动态功能的玻璃系统,与系统特定的知识的最低要求。
2022-07-31 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Experimental Observation of Phase Transitions in Spatial Photonic Ising Machine
统计自旋动力学对于理解新型光学伊辛机的工作原理起着关键作用。在这里,我们提出了空间光子伊辛机的规范变换,其中一个单一的空间相位调制器同时编码自旋配置和程序的相互作用强度。利用规范变换,我们从实验上计算了具有$100$全连通自旋的高维自旋玻璃平衡系统的相图。我们观察到的顺磁,铁磁以及自旋玻璃相的存在下,并确定的临界温度$T_c$和相变的临界概率${{p}_{c}}$,这与平均场论预测。在空间光子伊辛机中对平均场模型的近似进行了实验验证。此外,我们讨论了相变并行解决组合优化问题在冷却过程中,并确定空间光子伊辛机是强大的足够多的自旋相互作用,即使当系统与光学像差和测量不确定性。
2021-03-29 cond-mat.dis-nn nlin.AO physics.app-ph
Determining the nonequilibrium criticality of a Gardner transition via a hybrid study of molecular simulations and machine learning
表观临界现象,通常由增长的相关长度和动力学慢化表示,在非平衡系统中普遍存在,例如过冷液体、非晶态固体、活性物质和自旋玻璃。确定这样的观察结果是否与平衡情况下的真正二阶相变相关,或者仅仅是交叉,并且测量相关的临界指数甚至更具有挑战性。在这里,我们表明,在三维硬球玻璃的模拟结果,是与最近的理论预测的加德纳转变,连续的非平衡相变是一致的。使用混合分子模拟-机器学习方法,我们获得了有限尺寸和老化效应的标度律,并确定了传统方法无法估计的临界指数。我们的研究提供了一种新的方法,是有用的,以了解玻璃化转变的性质,并可以推广到分析其他非平衡相变。
2021-02-12 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Computational Phase Transitions: Benchmarking Ising Machines and Quantum Optimisers
虽然有各种方法来基准物理处理器,最近的发现集中在计算相变。这是由几个因素造成的。重要的是,最难的实例似乎集中在一个狭窄的区域,控制参数允许具有类似计算挑战的问题实例的均匀随机分布。已经建立的是,人们可以观察到从相干伊辛机产生的分布中的计算相变。在量子近似优化方面,量子算法发挥作用的能力关键取决于问题约束与变量比率(称为密度)的比率。临界密度对性能的依赖导致了所谓的可达性缺陷。在这个角度来看,我们回顾了背景需要了解如何应用计算相变在各种基准测试任务,我们调查了几个这样的当代研究结果。
2020-12-30 cond-mat.dis-nn physics.comp-ph quant-ph
Machine Learning Phase Transitions with a Quantum Processor
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
机器学习已经成为研究多体系统特性的一种有前途的方法。最近提出的一种工具来分类物质的阶段,该方法依赖于经典的模拟方法$-$,如蒙特卡罗$-$,这是已知的经验,当模拟某些量子系统的指数减速。为了克服这种放缓,同时仍然利用机器学习,我们提出了一种变分量子算法,它合并了量子模拟和量子机器学习来分类物质的相位。我们的分类器直接馈送由变分量子本征求解器算法恢复的标记状态,从而避免了在量子增强机器学习的许多应用中经历的数据读取减慢。我们提出了直接受张量网络启发的变分非线性状态的家庭。这使我们能够使用张量网络理论的工具来解释所提出的方法恢复的相图的性质。最后,我们提出了一个最近邻(棋盘)量子神经网络。该多数表决量子分类器被成功地训练为识别具有横向场伊辛模型的$99\%$精度和XXZ模型的$94\%$精度的物质相。这些发现表明,我们在量子模拟和量子增强机器学习之间的合并为开发量子系统的计算见解提供了肥沃的土壤。
2020-03-27 cond-mat.dis-nn cond-mat.str-el cs.LG
Machine learning of phase transitions in nonlinear polariton lattices
极化子晶格为研究非线性驱动耗散物理提供了一个独特的实验平台。它们显示了作为系统参数的函数的稳态的质的变化,这类似于非平衡相变。与它们的平衡对应物不同,这些跃迁不能用传统的统计物理方法来表征。在这里,我们研究了一个正方形排列的极化子凝聚最近邻耦合的晶格,并模拟极化子晶格的极化(伪自旋)动力学,观察区域具有不同的稳态极化模式。我们使用机器学习方法对这些模式进行分类,并确定分隔不同区域的边界。首先,我们使用无监督的数据挖掘技术来勾画相变的边界。然后,我们应用混淆学习,一种基于神经网络的方法来学习数据集中的标签,并提取极化激振相图。我们的工作朝着人工智能支持的极化激元系统研究迈出了一步。
2021-11-12 cond-mat.dis-nn cond-mat.mes-hall quant-ph
Interpretable Machine Learning Study of Many-Body Localization Transition in Disordered Quantum Ising Spin Chains
利用支持向量机研究了横向外场作用下无序量子伊辛链中多体局域相和热相之间的相变。多体本征态能量$E$由带宽$W=E_{max}-E_{min}$限定。该转变发生在由能量密度$ε=2(E-E_{min})/W$和自旋相互作用的无序强度$δJ$均匀分布在$[-δJ, δJ]$内的相图上,形式上平行于安德森局域化中的迁移率边缘。在我们的研究中,我们使用属于两种不同能量密度($ε$)的深局域和热区域的本征态波函数的标记概率密度作为训练集,即,在所述相图的四个角处提供标记数据。然后我们使用训练好的SVM来预测整个相图。所得到的相边界定性地同意与以前的工作使用纠缠熵来表征这两个阶段。我们进一步分析了支持向量机的决策函数来解释其物理意义,发现它类似于配置空间中的参与率倒数。我们的研究结果表明,支持向量机捕捉潜在的数量,可能表征的多体局域化相变的能力。
2019-02-22 cond-mat.dis-nn
Analysis of Kohn-Sham Eigenfunctions Using a Convolutional Neural Network in Simulations of the Metal-insulator Transition in Doped Semiconductors
机器学习最近已被应用于凝聚态物理中的许多问题。许多提案的一个共同点是通过使用简单示例中的数据训练机器,然后使用机器对更复杂的示例进行预测,从而节省计算成本。卷积神经网络(CNN)是机器学习的工具之一,已被证明可以很好地用于评估无序系统中的本征函数。在这里,我们应用CNN来评估在杂质半导体的金属-绝缘体转变的密度泛函理论(DFT)模拟中获得的Kohn-Sham本征函数。我们证明了一个CNN,已被训练使用本征函数从一个杂质半导体,忽略电子自旋的模拟成功地预测临界浓度时,本征函数从模拟,包括自旋。
2021-07-13 cond-mat.dis-nn
Entanglement transitions from restricted Boltzmann machines
对物质新的纠缠相的探索导致了最近发现了一类新的“纠缠跃迁”,以随机张量网络和受监控的量子线路为例。大多数已知的例子可以被理解为在底层统计力学模型中的一些经典的有序转变,其中纠缠映射到插入域壁的自由能成本上。在本文中,我们研究了在这种统计力学映射之外的物理驱动的纠缠跃迁的可能性。最近的神经网络启发的变分Ansätze的应用程序的动机,我们调查在什么条件下的变分参数,这些Ansätze可以捕获的纠缠过渡。研究了具有随机相位的短程限制玻尔兹曼机(RBM)量子态的纠缠标度。对于不相关的随机相位,我们分析证明了纠缠过渡的情况下,并揭示了微妙的有限尺寸的数值模拟中的有限尺寸效应。引入实空间中以$1/r^α$形式衰减的关联相位,我们观察到三个区域的纠缠熵随$α$指数的变化具有不同的标度.我们研究这些区域之间的过渡的性质,发现临界行为的数值证据。我们的工作建立了远程相关相位的存在下,基于RBM的波函数作为一个必要的成分纠缠过渡。
2021-07-12 cond-mat.dis-nn cond-mat.stat-mech quant-ph
Unsupervised machine learning of topological phase transitions from experimental data
识别相变是量子多体物理学的关键挑战之一。最近,机器学习方法已经被证明是一种替代的方式,也从噪声和不完美的数据,并没有序参量的知识定位相边界。在这里,我们应用不同的无监督机器学习技术,包括异常检测和影响函数的实验数据从超冷原子。通过这种方法,我们得到的拓扑相图的Halfton模型在一个完全无偏的方式。我们表明,该方法可以成功地应用于实验数据在有限的温度和Floquet系统的数据,后处理数据时,一个单一的微动阶段。我们的工作为复杂多体系统中新的奇异相的无监督检测提供了一个基准。
2021-02-01 cond-mat.dis-nn cond-mat.mes-hall cond-mat.quant-gas
Identifying Product Order with Restricted Boltzmann Machines
通过限制玻尔兹曼机的无监督机器学习是区分有序相和无序相的有用工具。在这里,我们研究其应用的二维Ashkin-Teller模型,它具有一个部分有序的产品相。我们训练的神经网络与自旋配置数据产生的蒙特卡罗模拟,并表明,不同的功能的产品相可以从非遍历样本对称性破缺。仔细分析的权重矩阵启发我们定义一个非平凡的机器学习动机的产品形式的数量,它类似于传统的产品序参量。
2018-04-02 cond-mat.dis-nn
Machine learning vortices at the Kosterlitz-Thouless transition
从最低限度处理的数据中有效和自动地分类相是凝聚态和统计物理学中机器学习的一个目标。在微观状态的原始样本上训练的监督算法可以通过学习诸如序参量的体特征来成功地检测传统的相变。在本文中,我们研究神经网络是否可以学习分类的基础上的拓扑缺陷的阶段。我们解决这个问题的二维经典XY模型,表现出Kosterlitz无相变。我们发现显着的功能工程的原始自旋状态是需要令人信服地声称,功能的涡旋配置是负责学习的转变温度。我们进一步证明了单层网络不能正确地对XY模型的相位进行分类,而卷积网络可以通过学习全局磁化来轻松地进行分类。最后,我们设计了一个能够在没有特征工程的情况下学习漩涡的深度网络。我们证明了涡流的检测不一定会导致最好的分类精度,特别是对于小于约1000个自旋的晶格。对于较大的系统,它仍然是一个困难的任务,以了解旋涡。
2017-10-26 cond-mat.dis-nn cond-mat.stat-mech
Machine learning dynamics of phase separation in correlated electron magnets
University of Virginia(弗吉尼亚大学)
我们展示了机器学习支持的双交换系统中电子相分离的大规模动力学模拟。这个模型,也被称为铁磁近藤晶格模型,被认为是相关的巨磁阻现象。用电子哈密顿量计算的交换力对这种非均匀态进行实空间模拟,对于大型系统来说可能非常昂贵。在这里,我们表明,线性尺度交换场计算可以实现使用神经网络训练的数据集从精确的计算小格子。我们基于机器学习势的Landau-Lifshitz动力学模拟不仅很好地再现了非平衡弛豫过程,而且还再现了与精确模拟定量一致的关联函数。我们的工作为使用机器学习模型对相关电子系统进行大规模动力学模拟铺平了道路。
2020-06-07 cond-mat.dis-nn cond-mat.mes-hall cond-mat.str-el
Supervised and Unsupervised Machine Learning of Structural Phases of Polymers Adsorbed to Nanowires
我们通过机器学习识别聚合物纳米管复合材料中的构型相和结构转变。我们采用各种无监督的降维方法,传统的神经网络,以及混淆方法,一种无监督的基于神经网络的方法。我们发现神经网络能够可靠地识别所有的配置阶段,已经发现以前在实验和模拟。此外,我们以消除人类直觉或偏见的方式定位构型阶段之间的边界。这在以前只能依靠预先设想的、特别的序参量来完成。
2022-03-22 cond-mat.dis-nn cond-mat.soft
Nonlocal Transition Kernel for Efficient Learning of Restricted Boltzmann Machines
Yamagata University(山形大学)
针对受限玻尔兹曼机学习中局部转移核采样质量差的问题,提出基于深度回火RBM序列的非局部转移核,提升采样质量与学习稳定性,缓解训练失效。
2026-08-19 cond-mat.dis-nn cs.LG stat.ML
Machine learning analysis of dimensional reduction conjecture for nonequilibrium Berezinskii-Kosterlitz-Thouless transition in three dimensions
利用机器学习技术,通过训练神经网络区分三维驱动随机场XY模型快照与二维纯XY模型时空轨迹,证实了非平衡Berezinskii-Kosterlitz-Thouless相变的降维猜想。
2024-07-26 cond-mat.dis-nn cond-mat.stat-mech
Machine Learning Topological Phases with a Solid-state Quantum Simulator
我们报告了一个实验演示的机器学习方法来识别奇异的拓扑相位,重点是三维手性拓扑绝缘体。我们证明了卷积神经网络-一类在机器学习中具有广泛应用的深度前馈人工神经网络-可以被训练成从固态量子模拟器生成的实验原始数据中成功识别受手征对称性保护的不同拓扑相位。我们的研究结果明确展示了机器学习在拓扑相位实验检测中的非凡能力,这为使用机器学习工具箱研究丰富的拓扑现象铺平了道路。
2019-05-08 cond-mat.dis-nn cond-mat.mes-hall quant-ph
Machine learning non-Hermitian topological phases
非厄米拓扑相由于其非传统的性质而受到广泛的关注,这些性质是厄米拓扑相所没有的。在这项工作中,我们建议使用机器学习来识别和预测非厄米拓扑相位,基于它们的绕组数。我们考虑两个例子-非埃尔米特的苏-施里弗-Heeger模型和它的广义版本在一维和非埃尔米特的节线半金属在三维-演示使用神经网络来准确地表征拓扑相位。我们表明,对于一维模型,一个完全连接的神经网络给出了大于99.9%的准确性,是强大的引入无序。对于三维模型,我们发现卷积神经网络可以准确地预测不同的拓扑相位。
2021-02-10 cond-mat.dis-nn cond-mat.mes-hall
Machine learning of phase transitions in the percolation and XY models
本文应用机器学习方法研究了二维晶格上某些统计力学模型的相变,这些模型的相变涉及非局部或拓扑性质,包括位标和键标,XY模型和广义XY模型.我们发现,在一个全连接的神经网络中,只使用一个隐藏层,可以学习渗流过渡和数据崩溃,通过使用平均输出层给出正确的估计的临界指数$ν$。我们还研究了经典XY模型中的Berezinskiii-Kosterlitz-numerless跃迁,它涉及到拓扑缺陷--涡旋和反涡旋的结合和解结合。广义XY模型包含了更丰富的相,如顺磁相、顺磁相和准长程铁磁相,我们还将机器学习方法应用于其中,在两个特定的参数$Δ$值下,我们从仅用沿温度轴的数据训练的网络获得了一致的相图,其中$Δ$是纯XY耦合的相对权重。除了使用自旋配置(角度或自旋分量)作为卷积神经网络的输入信息之外,我们还设计了一种使用自旋方向直方图的特征工程方法,以便训练网络学习广义XY模型中的三个阶段,并证明它确实有效。通过使用系统尺寸$L\times L$训练的网络可以用于其他尺寸($L'\times L'$,其中$L'\ne L$)的相图,而无需任何进一步的训练。
2019-06-08 cond-mat.dis-nn cond-mat.quant-gas cond-mat.stat-mech
Hydrogen liquid-liquid transition from first principles and machine learning
International School for Advanced Studies (SISSA)(高级研究国际学院);University of Konstanz(康斯坦茨大学);National Institute for Materials Science (NIMS)(物质材料研究机构);RIKEN(理化学研究所);Luxembourg Institute of Science and Technology (LIST)(卢森堡科学技术研究所);Sorbonne Université(索邦大学)
针对高压氢液-液相转变本质的争议,本研究构建基于MACE架构的机器学习原子间势开展多尺度模拟,发现熔融温度以上该转变为超临界态,仅分子晶体内为一级相变,修正了此前认知。
2025-11-16 cond-mat.dis-nn cond-mat.mtrl-sci
Phase diagram of disordered higher-order topological insulator: A machine learning study
高阶拓扑绝缘体是一种新的物质拓扑态概念,它的特征是涌现出的边界态的维数比体相的维数低2个以上,引起了人们极大的兴趣。然而,其对疾病的鲁棒性仍不清楚。在这里,我们研究了呼吸kagome模型中存在障碍的高阶拓扑绝缘体相位的相图,通过使用最先进的机器学习技术。我们发现只要能隙不闭合,角态在有限的无序势强度下仍然存在,表明高阶拓扑相对无序的稳定性.
2019-02-08 cond-mat.dis-nn cond-mat.mes-hall
Machine Learned Phase Transitions in a System of Anisotropic Particles on a Square Lattice
近年来,机器学习(ML)领域取得了惊人的增长。ML方法在物理学各个分支中的成功实施带来了新的见解。这些方法已被证明可以对凝聚态系统中的相进行分类。本文研究了正方形点阵上刚性硬杆系统在连续和不连续相变附近的相分类问题。在比较许多方法时,我们发现卷积神经网络(CNN)在仅给出快照作为输入时以最高的准确度对相位进行分类。我们研究了系统的大小如何影响模型的性能。我们进一步比较了CNN在对连续和不连续相变周围的相位进行分类方面的性能。此外,我们还表明,通过使用物理指导的特征,人们甚至可以用更简单的模型击败CNN的准确性。最后,我们表明,在这个系统中的临界点,可以学习没有任何事先估计,仅使用有序相位的信息(作为训练集)。我们的研究表明,在自旋系统研究中取得成功的ML技术可以很容易地适应更复杂的复杂系统。
2021-05-24 cond-mat.dis-nn cond-mat.stat-mech physics.data-an
Topological quantum phase transitions retrieved through unsupervised machine learning
量子态拓扑特征的发现在现代凝聚态物理和各种人工系统中起着重要的作用。由于局域序参量的缺失,拓扑量子相变的检测仍然是一个挑战。机器学习可以提供用于识别拓扑特征的有效方法。在这项工作中,我们证明了无监督流形学习可以成功地检索动量和实空间中的拓扑量子相变。结果表明,两个数据点之间的Chebyshev距离能使动量空间中拓扑量子相变的特征更加清晰,而广泛使用的欧氏距离一般是次优的.然后可以应用扩散映射或等距映射来实现降维,并以无监督的方式学习拓扑量子相变。我们在动量空间中的原型Su-Schrieffer-Heeger(SSH)模型、Qi-Wu-Zhang(QWZ)模型和淬火SSH模型上证明了这种方法,并进一步为真实空间中的学习提供了启示和示范,其中拓扑不变量可能是未知的或难以计算的。我们的方法的可解释的良好性能显示了流形学习的能力,当配备了合适的距离度量,在探索拓扑量子相变。
2020-10-14 cond-mat.dis-nn physics.comp-ph physics.data-an
Phase transitions in Restricted Boltzmann Machines with generic priors
Università del Salento(萨伦托大学);Universität Zürich(苏黎世大学);King College London(伦敦国王学院);Scuola Normale Superiore(比萨高等师范学校)
我们研究广义限制玻尔兹曼机与通用先验的单位和权重,布尔和高斯变量之间的插值。我们提出了一个完整的分析,这些系统的副本对称相图,这可以被视为广义Hopfield模型。我们强调检索阶段的推理和学习过程中的作用,我们表明,检索是强大的一大类的重量和单位先验,超出了标准的Hopfield方案。此外,我们展示了顺磁相界如何直接关系到良好的泛化在教师-学生的情况下,无监督学习所需的训练集的最佳大小。
2017-09-06 cond-mat.dis-nn cs.LG physics.data-an
Machine learning the Ising transition: A comparison between discriminative and generative approaches
CSAIL, Massachusetts Institute of Technology(CSAIL,麻省理工学院);Department of Physics, University of Basel(物理系,巴塞尔大学)
本文以二维正方晶格铁磁伊辛模型的热相变为案例,通过数值实验比较判别式与生成式方法在相变分类任务中的适用性,为相分类问题的求解路径选择提供依据。
2024-11-28 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Machine Learning as a universal tool for quantitative investigations of phase transition
识别给定系统在特定温度值下的相位的问题可以重新表述为机器学习中的分类问题。作为一个原型的伊辛模型,并使用支持向量机作为一种工具来分类Monte Carlo生成的配置,我们表明,该系统的临界区域可以清楚地识别和对称性,驱动过渡可以重建的学习过程的性能。在获得这一结果的系统的离散对称性的作用进行了讨论。一个有限的大小分析的学习支持向量机决策功能,使我们能够确定的临界温度和临界指数的精度是最有效的数值方法依赖于一个已知的哈密顿描述的系统。对于确定的临界温度和临界指数与发散的相关长度,除了可用性的温度范围内具有信息的两个阶段,我们提出的方法不依赖于任何物理输入的系统,特别是不可知的哈密顿量,其对称性和它的序参量。因此,我们的调查提供了第一个重要的一步,在设计强大的工具,定量分析的相变的情况下,其中的序参量是未知的方向。
2019-05-14 cond-mat.dis-nn cond-mat.stat-mech hep-lat
Phase analysis of Ising machines and their implications on optimization
The Hong Kong University of Science and Technology(香港科技大学);Huawei Technologies Co. Ltd.(华为技术有限公司)
本文通过分析Sherrington-Kirkpatrick模型中的自旋分布相图,提出了一种改进的Ising机器算法digCIM,以实现更优的组合优化解。
2025-07-16 cond-mat.dis-nn cond-mat.stat-mech nlin.CD
Few-shot machine learning in the three-dimensional Ising model
我们利用最先进的机器学习算法对三维立方伊辛模型中的相变进行了理论研究。有监督的机器学习模型在相位分类中显示出高精度(~99\%),并且在不同自旋配置中能量的相对误差($< 10^{-4}$)非常小。引入无监督机器学习模型研究自旋位形的重构和约简,重构后的自旋位形相位可以通过线性逻辑算法进行精确分类。在比较各种机器学习模型的基础上,我们提出了一种Few-Shot策略来从较小晶格中的训练样本预测较大晶格中的相变。三维伊辛模型的Few-Shot机器学习策略使我们能够有效地研究三维伊辛模型,并为其他自旋模型提供了一种新的集成和高精度的方法。
2019-03-20 cond-mat.dis-nn cond-mat.stat-mech physics.comp-ph