东京城市大学 相对于不同尺寸晶格的转变点，低温相和高温相在不同温度下的比例是正确的
(插图)网格的大小可以用来给出单一的主曲线
学分:东京都大学 东京都大学的研究人员使用机器学习来分析自旋模型，这种模型在物理学中用于研究相变
先前的工作表明，图像/笔迹分类模型可以用于在最简单的模型中区分状态
该团队展示了该方法适用于更复杂的模型，并发现在一个模型上训练并应用于另一个模型的人工智能可以揭示不同系统中不同阶段之间的关键相似性
机器学习和人工智能正在彻底改变我们的生活、工作、娱乐和驾驶方式
自动驾驶汽车、击败围棋大师的算法以及金融领域的进步只是如今对社会产生重大影响的广泛应用的冰山一角
AI也在科研方面掀起波澜
这些算法的一个关键吸引力在于它们可以用预先分类的数据(例如
g
手写字母的图像),并可用于对更广泛的数据进行分类
在凝聚态物理领域，卡拉斯奎拉和梅尔科(自然物理(2017) 13，431-434)最近的工作表明，神经网络，即用于解释笔迹的同一种人工智能，可以用来区分物质的不同阶段(例如
g
气体、液体和固体)
他们研究了伊辛模型，这是材料中磁性出现的最简单模型
自旋(向上或向下)的原子晶格的能量取决于相邻自旋的相对排列
根据条件的不同，这些自旋可以排成一个铁磁性相(像铁一样)，或者在顺磁性相中呈现随机方向
通常，对这类系统的研究包括分析一些平均量(例如
g
所有旋转的总和)
事实上，一个完整的微观结构可以用来对一个阶段进行分类，这是一个真正的范式转变
2D伊辛模型的模拟低温(左)和高温(右)阶段，其中蓝色点是指向上的自旋，红色点是指向下的自旋
请注意，低温阶段的自旋大多是同一个方向
这被称为铁磁相
另一方面，在高温下，上下旋转的比例接近50:50
这被称为顺磁相
学分:东京都大学 现在，由东京城市大学的森喜朗教授和冈部裕之教授领导的团队正在与新加坡的生物信息学研究所合作，将这一方法推向下一个阶段
在其现有形式中，卡拉斯奎拉和梅尔科的方法不能应用于比伊辛模型更复杂的模型
例如，以q态波兹模型为例，原子可以处于q态之一，而不仅仅是“上”或“下”
“虽然它也有一个相变，但区分相位并不容易
事实上，在五态模型的情况下，有120个物理上等价的状态
为了帮助人工智能区分相位，研究小组给了它更多的微观信息，具体来说，一个特定原子的状态如何与另一个相隔一定距离的原子的状态相关联，或者自旋如何与分离相关联
在对人工智能进行了三态和五态波兹模型的许多相关配置的训练后，他们发现人工智能可以正确地对相位进行分类，并识别发生转变的温度
研究人员还可以正确解释他们晶格中的点数，即有限尺寸效应
输入(相关配置)被输入到一个称为神经网络的互连节点系统，给出一系列输出，告诉我们配置属于哪个阶段
在训练期间，算法被告知输出是对还是错，并且网络被反复调整以获得更好的一致性
e
它学会了
学分:东京梅罗波尔坦大学 在证明了他们的方法是有效的之后，他们在q态时钟模型上尝试了同样的方法，其中自旋在一个圆上采用q个方向中的一个
当q大于或等于5时，系统可以经历三个阶段:有序的低温阶段、高温阶段和介于这两个阶段之间的被称为贝瑞辛斯基-科斯特利兹-索尔斯(BKT)阶段，对这一阶段的研究赢得了约翰·M
大卫·科斯特利兹
索尔斯和邓肯·霍尔丹获得2016年诺贝尔物理学奖
他们成功地训练了一个人工智能，用六态时钟模型来区分三个阶段
当他们将其应用到四态时钟模型的配置中时，他们发现该算法可以将系统归类为相变附近的BKT相位
这表明，在四态系统中，BKT相和在平滑的“二阶”相变点出现的临界相之间存在着深刻的联系
该小组提出的方法普遍适用于广泛的科学问题
物理学的一个关键部分是普遍性，即识别看似不相关的系统或现象中导致统一行为的特征
机器学习特别适合从最复杂的模型和系统中梳理出这些特征，让科学家们窥见支配自然和我们宇宙的深层联系
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
