机器学习的非平衡物态相

Oct, 2017

Machine learning out-of-equilibrium phases of matter

Jordan Venderley, Vedika Khemani, Eun-Ah Kim

TL;DR本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

Abstract

neural network based machine learning is emerging as a powerful tool for obtaining phase diagrams when traditional regression schemes using local equilibrium order parameters are not available, as in many-body lo

neural network phase diagrams many-body localized phase topological phases entanglement spectra

发现论文，激发创造

机器学习物态相

采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

May, 2016

强关联费米子的机器学习阶段

使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

Sep, 2016

通过混淆学习相变

利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

Oct, 2016

深度异常检测实现非监督式相位发现

本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。

Mar, 2020

用神经网络进行机器学习拓扑不变量

本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相，经过训练，即使是大于训练数据的的 Hamiltonians winding number，神经网络也能够预测其拓扑缠绕数，证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时，本文确认了神经网络学到了离散版本的缠绕数公式，在运用机器学习到物理系统时，研究了对称性的作用和正则化技术的相反影响。

Aug, 2017

机器学习拓扑态

本文利用人工神经网络和机器学习研究了量子物理中的拓扑相，证明了短程神经网络能够精确有效地表示拓扑相的基态，能够描述受强相互作用影响非可积哈密顿量的拓扑相变，从而为通用格模型的拓扑相机器学习提供了指导。

Sep, 2016

互动智能代理系统中相变鉴别的机器学习方法

通过降阶模型、数据驱动框架、流形学习算法、深度学习框架和分叉图表，本文提出了一种定位基于代理模型 (ABMs) 的平均场极限相变的方法。

Oct, 2023

机器学习用于结构 - 性质关系：可扩展性和限制

本文提出了一种可扩展的机器学习框架用于预测多体系统的强度等性质，尤其是相分类。该方法基于线性可扩展性和可转移性，通过局部化的先验假设，开发出用于有限大小块强度等性质预测的 ML 模型，并展示了该方法在相分类中的应用。

Apr, 2023

带条件的正规化流方法高效映射相图

通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。

Jun, 2024

多任务混淆学习快速检测相变

利用机器学习研究相变，提出了一种基于混淆学习的方案，通过训练一个多类别分类器而不是多个二分类器来减少计算成本，实现了与理想情况相近的速度提升，适用于伊辛模型和具有稳定扩散生成的图像数据集。

Nov, 2023