机器学习为自旋模型注入了新的自旋

时间:2020-04-06 18:35 来源:seo 作者:杏鑫 点击量:

机器学习为自旋模型注入了新的自旋

东京城市大学的研究人员利用机器学习来分析自旋模型,这些模型在物理学中用于研究相变。以往的工作表明,图像/手写分类模型可以用来区分最简单模型中的状态。该团队证明,该方法适用于更复杂的模型,并发现人工智能在一个模型上训练,然后应用于另一个模型,可以揭示不同系统中不同阶段之间的关键相似性。

机器学习和人工智能(AI)正在彻底改变我们的生活、工作、娱乐和驾驶方式。自动驾驶汽车、击败围棋大师的算法以及金融领域的进步,只是目前对社会产生重大影响的广泛应用的冰山一角。人工智能也在科学研究领域掀起波澜。这些算法的一个关键吸引力在于,它们可以用预先分类的数据(例如,手写字母的图像)进行训练,并应用于对更大范围的数据进行分类。

在凝聚态物理领域,Carrasquilla和Melko (Nature physics(2017) 13431 -434)最近的工作表明,在简单的物理模型中,神经网络可以用来区分物质的不同相(例如气体、液体和固体),而人工智能用于解释笔迹。他们研究了材料中出现磁性的最简单模型——伊辛模型。一个自旋(上或下)原子晶格的能量取决于相邻自旋的相对排列。根据不同的条件,这些自旋可以排列成铁磁相(如铁),也可以在顺磁相中呈随机方向。通常,对这类系统的研究包括分析一些平均量(例如,所有自旋的和)。一个完整的微观结构可以用来对一个阶段进行分类,这是一个真正的范式转变。

机器学习为自旋模型注入了新的自旋

现在,由东京城市大学的Hiroyuki Mori教授和Yutaka Okabe教授领导的一个团队正在与新加坡的生物信息学研究所合作,将这种方法提升到一个新的水平。在现有的形式下,Carrasquilla和Melko方法不能应用于比伊辛模型更复杂的模型。例如,以q态的Potts模型为例,其中原子可以选择q态中的一种,而不只是“向上”或“向下”。虽然它也有一个相变,区分阶段不是小事。事实上,在五态模型中,有120种状态在物理上是等价的。为了帮助人工智能区分不同的阶段,研究小组给了它更多的微观信息,具体来说,一个特定原子的状态如何与远处另一个原子的状态相关,或者自旋如何在分离过程中相互关联。在对人工智能进行了许多相关配置的训练后,他们发现,人工智能可以正确地对阶段进行分类,并识别发生转变的温度。研究人员也可以正确地解释他们晶格中的点的数量,即有限尺寸效应。

机器学习为自旋模型注入了新的自旋

在证明了他们的方法是有效的之后,他们在q态时钟模型上尝试了同样的方法,其中自旋在一个圆上采用一个q方向。q大于或等于5时,有三个阶段,系统可以:有序低温阶段,高温阶段,与一个阶段称为Berezinskii-Kosterlitz-Thouless(支架)阶段,调查获得的阿伯丁大学科斯特利兹,John m . David j . Thouless和邓肯霍尔丹2016年的诺贝尔物理学奖。他们成功地训练了一个人工智能,用一个六态时钟模型来区分这三个阶段。当他们将其应用于四态时钟模型的配置时,他们发现该算法可以将系统归类为相变附近的BKT相位。这说明在四态系统中,BKT相与光滑的二阶相变点所产生的临界相之间存在着深刻的联系。

该小组提出的方法一般适用于广泛的科学问题。物理学的一个关键部分是普遍性,即在看似不相关的系统或现象中找出导致统一行为的特征。机器学习特别适合从最复杂的模型和系统中梳理出这些特征,让科学家们得以窥见支配自然和我们的宇宙的深层联系。

当前位置:主页 > 物理知识 >

声明:本文杏鑫娱乐整理不代表个人观点,转载请注明原文,点击还能查看更多的文章;本文网址: http://www.kozbods.com/wuli/1060.html

围观: 次 | 责任编辑:杏鑫

延伸阅读

SEO关键字



回到顶部