（1+1）维度偶数后代分支湮灭随机行走的监督和无监督学习
摘要：机器学习用于研究相变已经逐渐成为一种有效的方法，可以更及时地探索平衡和非平衡系统中各种相变的特性。与平衡系统不同，非平衡系统由于时间维度的增加而显示出更复杂和多样的特征，这在理论和数值上都很难处理。机器学习和最著名的非平衡模型——定向渗流模型的结合已经取得了一些重要的发现。在本研究中，机器学习技术将应用于(1+1)-维偶数子代满足分支灭绝随机游走(BAW)模型，其普适类不是定向渗流类。通过卷积神经网络(CNN)对(1+1)-维BAW模型进行监督学习，可以比同样系统大小的蒙特卡罗(MC)模拟更准确地预测临界点位置。动态指数z和空间相关长度相关指数u_perp也被测量，并与相应的理论值相一致。通过自编码器(AE)对(1+1)-维BAW模型进行无监督学习，也可以得出与临界点相同的转变点。AE的输出通过一个单个神经元，可以被视为系统的序参量，并进行适当的重新缩放。因此，我们有理由相信机器学习在BAW和DP等反应扩散系统中有一个令人兴奋的应用前景。
作者：Yanyang Wang, Wei Li, Feiyi Liu and Jianmin Shen
论文ID：2307.05618
分类：Cellular Automata and Lattice Gases
分类简称：nlin.CG
提交时间：2023-07-13