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 meets quantum physics
机器学习和量子物理学的结合可能会催生一个新的研究前沿,从而改变两者。
2019-03-04 cond-mat.dis-nn physics.comp-ph physics.pop-ph
Unsupervised Machine Learning Phase Classification for Falicov-Kimball Model
本文用非监督机器学习方法(如PCA)仅基于蒙特卡洛粒子占据快照,成功识别二维Falicov-Kimball模型的有序-无序相边界及弱局域与Anderson局域交叉,且PCA优于复杂神经网络方法。
2025-05-25 cond-mat.dis-nn cond-mat.str-el
Machine learning of quantum phase transitions
机器学习算法为物理现象的研究提供了新的视角。在这篇论文中,我们使用多色卷积神经网络(CNN)结合量子蒙特卡罗模拟来探索量子相变的本质。我们提出了一种方法,压缩$d+1$维时空配置到一个可管理的大小,然后使用它们作为CNN的输入。我们在两个模型上测试了我们的方法,并表明连续和不连续的量子相变都可以很好地检测和表征。此外,我们表明,中间阶段,这是没有训练,也可以使用我们的方法来确定。
2019-03-17 cond-mat.dis-nn cond-mat.str-el
Ground state phase diagram of the one-dimensional Bose-Hubbard model from restricted Boltzmann machines
受量子多体系统的基态波函数表示中使用限制玻尔兹曼机作为变分模型的最新进展的启发,我们利用一个开源的平台来构建这样的模型称为NetKet探索限制玻尔兹曼机的玻色晶格模型的适用范围。在NetKet中,我们设计并训练这些机器,通过对Fock空间的Monte Carlo采样,用于一维Bose-哈伯德模型。我们改变参数,如现场排斥的强度,化学势,系统的大小和最大的网站占有率,并使用收敛的状态方程,以确定莫特绝缘和超流相之间的相边界。我们将平均密度和能量与精确对角化的结果进行了比较,并绘制了基态相图,这与以前通过常规方法获得的结果定性一致。
2019-03-07 cond-mat.dis-nn cond-mat.str-el
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
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 learning and the physical sciences
机器学习包括用于大量数据处理任务的广泛算法和建模工具,近年来已进入大多数科学学科。我们有选择地回顾了机器学习和物理科学之间的接口的最新研究。这包括由物理见解激发的机器学习(ML)的概念发展,机器学习技术在物理学几个领域的应用,以及两个领域之间的交叉。在给出机器学习方法和原理的基本概念之后,我们描述了如何使用统计物理来理解ML中的方法的示例。然后,我们将描述ML方法在粒子物理学和宇宙学,量子多体物理学,量子计算,化学和材料物理学中的应用。我们还强调了旨在加速ML的新型计算架构的研究和开发。在每一节中,我们描述了最近的成功以及特定领域的方法和挑战。
2019-12-06 astro-ph.CO cond-mat.dis-nn hep-th
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
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
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
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
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
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
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
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
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 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
Discover physical concepts and equations with machine learning
Department of Physics, Shanghai University(上海大学物理系);Department of Physics, Ludwig-Maximilians-Universität(路德维希-马克西米利安大学物理系);Center for Gravitation and Cosmology, Yangzhou University(扬州大学引力与宇宙学中心)
本研究提出一种结合变分自编码器与神经常微分方程的模型,扩展SciNet架构,以同时从模拟数据中发现物理概念和方程,并在多个历史物理案例中验证了其有效性。
2025-04-22 cond-mat.dis-nn cs.AI cs.LG