使用机器学习对长程哈珀模型进行相位分类
摘要：人工神经网络用于绘制一维准周期模型的相图。我们观察到，多类分类器可以精确地区分不同相，即本征态的无限展开、多重分形和本地化相，在经过长程Aubry-Andr''é Harper（LRH）模型的训练后。此外，当将这个经过训练的多层感知器输入到Aubry-Andr''é Harper（AAH）模型的本征态中时，它能够以合理的准确率识别出各种相。我们通过使用单一扰动实现产生相图，并证明其与采用大量扰动样本的传统分形维度分析方法得到的结果一致。有趣的是，当用AAH模型的本征态训练神经网络时，得到的LRH模型的相图不如以前获得的那么出色。此外，我们通过用与AAH模型的无限展开和本地化本征态对应的概率密度来训练神经网络，并通过检验中心本征态的“准确度”指标，可以确定临界转变点。然后，通过将该二元分类器应用于LRH模型评估其在识别以前未知的多重分形相方面的有效性。
作者：Abee Nelson, Aamna Ahmed, Ankur Raina, Auditya Sharma
论文ID：2304.14436
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-05-01