利用机器学习预测Mpeḿba效应
摘要：用非平衡热力学框架中的马尔科夫动力学可以研究马尔科夫式的姆彭巴效应。马尔科夫式的姆彭巴效应可以在多种系统中观察到，包括伊辛模型。我们证明了可以用几种机器学习方法（决策树算法、神经网络、线性回归和LASSO方法的非线性回归）预测伊辛模型中的马尔科夫式的姆彭巴效应。比较了这些方法的正负准确性。此外，我们发现机器学习方法可以用于准确地外推到训练范围之外的数据。即使在只接收到不发生姆彭巴效应的数据训练的情况下，神经网络甚至可以预测姆彭巴效应的存在。这表明，关于哪些系数会导致姆彭巴效应的信息包含在结果不发生的系数中。此外，神经网络可以预测在正$J$（对应铁磁伊辛模型）的情况下没有发生姆彭巴效应，即使它们只是在负$J$（对应反铁磁伊辛模型）的情况下进行训练。所有这些结果表明，可以在复杂、计算昂贵的系统中预测姆彭巴效应，而无需进行明确的特征向量计算。
作者：Felipe Amorim, Joey Wisely, Nathan Buckley, Christiana DiNardo, Daniel Sadasivan
论文ID：2209.08161
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-08-08