Phys. Rev. Lett.：用于检测相变的判别式合作网络

【引言】

物质丰富的存在形态结合机器学习技术在识别和形成图形的能力，可作为揭示凝聚态物理中涌现现象的一种新方法。在物理学中，用“相”来总结材料性质最有效。当改变调节参数（如温度）时，材料性质可能会发生不连续变化，即相变。机器学习相变可从监督式和无监督两个角度实现。两者结合的混合方法在计算成本上非常昂贵，为解决这一问题，本工作在原来的混合式方法的基础上加以延伸，同时训练“猜测者”和“学习者”，形成一种自动模式——判别协同网络（DCNs）。

【成果简介】

瑞典苏黎世联邦理工学院/加拿大舍布鲁克大学的Ye-Hua Liu和美国量子信息与物质研究所的Evert P. L. van Nieuwenburg合作，在Physical Review Letters上发表最新研究成果“Discriminative Cooperative Networks for Detecting Phase Transitions”。对物质状态和相应的相变进行分类，是机器学习的一种特殊任务。物理数据应用于新的算法分析，至今广义的计算科学设置中仍未涉及。该篇文章的作者介绍了一种无监督的机器学习体系，用于检测判别协同网络（DCNs）中的相变。在该体系下，猜测网络和学习网络合作，从完全未标明的数据中检测相变，新的体系足以有效地处理二维参数空间的相图。

【图文导读】

图1：推荐算法的示意图。

(a)DCN模式从数据集{(λ，d(λ))}中仅学习相变，其中λ是调节参数，d(λ)是对λ的测量向量；

(b)DCN蛇，蓝色圆圈表示蛇的节点，绿色线表示节点处的法线方向，示例(星型)在每个节点的法线方向产生，根据离蛇的距离对其赋值一个标签。

图2：伊辛相变的DCN模式。

(a)由一个相变点的较高猜测开始，猜测的梯度推动其向下移动，红线标记了准确的相变点，灰色标定产生蒙特卡洛示例的温度；

(b)在训练的宽度减少期间，意味着结合自学习可以更明显地区别两种相。从较大晶格中对示例的训练更快也更准确；

(c)在收敛的猜测点λg处的有限尺寸效应，误差棒长度表示收敛宽度。

图3：二维参数空间的DCN蛇。

左图为Bose Hubbard模型中，Mott绝缘体到超流体转变；

右图为自旋-1反铁磁海森堡链的拓扑转变。

【小结】

本文提出了判别协同网络这一方法，可以自洽地找到相变点。这一高效模式可用于探索二维参数空间，作者使用了计算机视觉中的蛇模型。该方法实际上和actor-critic模型相似，可以增强学习和对立训练模式。

文献链接：Discriminative Cooperative Networks for Detecting Phase Transitions（Phys. Rev. Lett.，2018，DOI：10.1103/PhysRevLett.120.176401）

本文由材料人编辑部计算材料组Isobel编译供稿，材料牛整理编辑。

材料牛网专注于跟踪材料领域科技及行业进展，如果您对于跟踪材料领域科技进展，解读高水平文章或是评述行业有兴趣，点我加入编辑部。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。

投稿及内容合作可加编辑微信：cailiaokefu。

材料测试、数据分析，上测试谷！