学习混淆方法来表征相变
摘要：通过混淆学习（LBC）方法可以确定相变的临界温度Tc，而不需要任何关于其大致数值的先前知识。然而，该方法的有效性仅在连续相变中得到证明，其中混淆只能由数据的有意错误标记引起，而不是由不同相的共存引起。为了验证混淆方案是否也适用于不连续相变，在本研究中我们将LBC方法应用于三种微观模型：Blume-Capel模型、q态Potts模型和Falicov-Kimball模型。这些模型在模型参数不同的情况下会经历连续或不连续的相变。借助一个简单的模型，我们预测了在不连续相变中存在的相共存现象会使神经网络更加困惑，从而降低其性能。然而，针对上述模型进行的数值计算表明，这种相变的其他方面更重要，并且可能使LBC方法不那么有效。尽管如此，我们证明在某些情况下，这些相变的相同方面使我们能够使用LBC方法来确定相变的顺序。
作者：Monika Richter-Laskowska, Marcin Kurpas, Maciej Ma''ska
论文ID：2206.15114
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-08-09