非平衡态

机器学习随机微分方程用于经典多体系统平衡态和非平衡态序参量的演化

摘要。我们开发了一种机器学习算法来推断控制多体系统序参量演化的随机方程。我们训练我们的神经网络来独立学习作用于序参量的定向力以及有效扩散噪声。我们使用具有 Glauber 动力学的经典 Ising 模型和接触过程作为测试案例来说明我们的方法。对于代表典型平衡和非平衡场景的两种模型，可以有效地推断出定向力和噪声。Ising 模型的定向力项使我们能够重建序参量的有效势，该序参量在临界温度以下形成特征性的双阱形状。尽管它具有真正的非平衡性质，但这种有效势也可以用于接触过程，并且其形状表示相变到吸收状态。此外，与平衡 Ising 模型相反，吸收状态的存在使噪声项依赖于序参量本身的值。