机器学习作为定量研究相变的通用工具

可以将针对给定温度值的给定系统的相识别问题重新构造为机器学习中的分类问题。 以Ising模型为原型,并使用支持向量机作为对Monte Carlo生成的配置进行分类的工具,我们表明可以清楚地识别出系统的关键区域,并且可以根据系统的性能来重建驱动过渡的对称性。 学习过程。 讨论了系统的离散对称性在获得此结果中的作用。 对学习的支持向量机决策函数的有限大小分析,使我们能够确定临界温度和临界指数,其精确度可与依赖于系统的已知哈密顿量描述的最有效数值方法相媲美。 为了确定与相关长度的差异有关的临界温度和临界指数,除了可获得具有两相信息的温度范围外,我们建议的方法不依赖于系统上的任何物理输入 ,尤其是对其