.png){kind=icon}
返回
Phase probabilities in first-order transitions using machine learning
.png){kind=icon}
PRE
AI
DOI：10.1103/h9cg-cc4r.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们着手探索使用深度机器学习方法研究具有一级相变系统的临界行为可能性。我们提出了一种机器学习协议，利用已知的无序相能量和有序相能量值对瞬时自旋构型进行三元分类。训练好的神经网络用于预测给定样本属于哪种物质相。这使我们首次能够估计具有特定能量的构型属于有序相、共存相和无序相的概率。基于这些概率，我们获得了10组分和20组分的Potts模型在经历强不连续相变时的临界能量和潜热值的估计。我们还发现，这些概率可能反映了共存相中的几何相变。
Keyword:
SIMULATIONS
期刊
IF:
2.4
论文数:
1.4K
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Efficient, Multiple-Range Random Walk Algorithm to Calculate the Density of States计算态密度的高效多范围随机游走算法
OAAI
OAAI分享收藏
Comparison of the microcanonical population annealing algorithm with the Wang-Landau algorithm微正则种群退火算法与Wang-Landau算法的比较OAAI
OAAI分享收藏分享收藏
查看更多内容