Phys. Rev. Lett.：用于檢測相變的判別式合作網絡

【引言】

物質豐富的存在形態結合機器學習技術在識別和形成圖形的能力，可作為揭示凝聚態物理中涌現現象的一種新方法。在物理學中，用“相”來總結材料性質最有效。當改變調節參數（如溫度）時，材料性質可能會發生不連續變化，即相變。機器學習相變可從監督式和無監督兩個角度實現。兩者結合的混合方法在計算成本上非常昂貴，為解決這一問題，本工作在原來的混合式方法的基礎上加以延伸，同時訓練“猜測者”和“學習者”，形成一種自動模式——判別協同網絡（DCNs）。

【成果簡介】

瑞典蘇黎世聯邦理工學院/加拿大舍布魯克大學的Ye-Hua Liu和美國量子信息與物質研究所的Evert P. L. van Nieuwenburg合作，在Physical Review Letters上發表最新研究成果“Discriminative Cooperative Networks for Detecting Phase Transitions”。對物質狀態和相應的相變進行分類，是機器學習的一種特殊任務。物理數據應用于新的算法分析，至今廣義的計算科學設置中仍未涉及。該篇文章的作者介紹了一種無監督的機器學習體系，用于檢測判別協同網絡（DCNs）中的相變。在該體系下，猜測網絡和學習網絡合作，從完全未標明的數據中檢測相變，新的體系足以有效地處理二維參數空間的相圖。

【圖文導讀】

圖1：推薦算法的示意圖。

(a)DCN模式從數據集{(λ，d(λ))}中僅學習相變，其中λ是調節參數，d(λ)是對λ的測量向量；

(b)DCN蛇，藍色圓圈表示蛇的節點，綠色線表示節點處的法線方向，示例(星型)在每個節點的法線方向產生，根據離蛇的距離對其賦值一個標簽。

圖2：伊辛相變的DCN模式。

(a)由一個相變點的較高猜測開始，猜測的梯度推動其向下移動，紅線標記了準確的相變點，灰色標定產生蒙特卡洛示例的溫度；

(b)在訓練的寬度減少期間，意味著結合自學習可以更明顯地區別兩種相。從較大晶格中對示例的訓練更快也更準確；

(c)在收斂的猜測點λg處的有限尺寸效應，誤差棒長度表示收斂寬度。

圖3：二維參數空間的DCN蛇。

左圖為Bose Hubbard模型中，Mott絕緣體到超流體轉變；

右圖為自旋-1反鐵磁海森堡鏈的拓撲轉變。

【小結】

本文提出了判別協同網絡這一方法，可以自洽地找到相變點。這一高效模式可用于探索二維參數空間，作者使用了計算機視覺中的蛇模型。該方法實際上和actor-critic模型相似，可以增強學習和對立訓練模式。

文獻鏈接：Discriminative Cooperative Networks for Detecting Phase Transitions（Phys. Rev. Lett.，2018，DOI：10.1103/PhysRevLett.120.176401）

本文由材料人編輯部計算材料組Isobel編譯供稿，材料牛整理編輯。

材料牛網專注于跟蹤材料領域科技及行業進展，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿及內容合作可加編輯微信：cailiaokefu。

材料測試、數據分析，上測試谷！