机器学习渗透模型
摘要：机器学习在相变和临界现象的应用中取得了显著进展。通过机器学习方法，我们试图识别二维渗透模型中的物理特性。为了实现这一目标，首先采用蒙特卡洛模拟方法生成数据集，然后采用多种方法分析数据集。我们使用了四种卷积神经网络（CNNs）、一个变分自编码器（VAE）、一个卷积VAE（cVAE）、一个主成分分析（PCA）和一个K均值算法来识别序参量、渗透率和临界转变点。前三种CNNs能够高精度地模拟两个序参量和渗透率，并具有良好的外推能力。前两种CNNs具有较强的抗噪能力。为了验证前三种CNNs的鲁棒性，我们还利用VAE和cVAE生成新的渗透配置，向原始配置中添加扰动。我们发现，在相应的标签条件下，使用原始或扰动的配置来识别物理特性没有区别。在缺乏标签的情况下，我们使用无监督学习来检测物理特性。经典的无监督学习方法PCA在识别渗透率方面表现良好，但无法推导出序参量。因此，我们采用了第四种CNNs和不同的预设阈值，识别出了一个新的序参量和临界转变点。我们的研究结果表明，在相变和临界现象的应用中，机器学习的有效性仍需要评估。
作者：Shu Cheng, Fei He, Huai Zhang, Ka-Di Zhu, Yaolin Shi
论文ID：2101.08928
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2021-01-25