机构名称：
¥ 1.0
随着机器学习的最新发展，Carrasquilla 和 Melko 提出了一种与研究自旋模型的传统方法相补充的范式。作为研究宏观物理量的热平均值的替代方法，他们使用自旋配置通过机器学习对相变的无序相和有序相进行分类。我们扩展并概括了这种方法。我们专注于长程关联函数的配置而不是自旋配置本身，这使我们能够对多组分系统和具有向量序参数的系统提供相同的处理。我们使用相同的技术分析了 Berezinskii-Kosterlitz-Thouless (BKT) 转变，以将三个相分类为：无序相、BKT 相和有序相。我们还使用不同模型的训练数据对模型进行了分类。
自旋模型的机器学习研究
主要关键词
相关文件推荐
