نویسندگان مقاله: Dongkyu Kim, Dong-Hee Kim
تاریخ و محل انتشار: Journal of Statistical Mechanics: Theory and Experiment,2021
در این مقاله ارتباط بین یادگیری نظارت شده از طبقه بندی فاز دودویی در مدل Ising فرومغناطیسی و تئوری محدود مقیاس استاندارد انتقال فاز مرتبه دوم را بررسی شده است. با ارائه یک مدل شبکه عصبی حداقل یک پارامتر ، ما از نظر تحلیلی مسئله یادگیری نظارت شده برای گروه متعارف را که به عنوان یک مجموعه داده آموزش استفاده می شود ، فرموله می کنیم. ما همچنین با ارائه یک مثال از یافتن یک نقطه بحرانی با یادگیری انرژی متوسط میدان متوسط Landau که به مجموعه داده های واقعی از نمودار بدون مقیاس تصادفی غیر همبسته با یک نمونه استفاده می شود ، تفسیر را با مدل یک پارامتر پیشنهادی نشان می دهیم.
:Abstract
We investigate the connection between the supervised learning of the binary phase classification in the ferromagnetic Ising model and the standard finite-size-scaling theory of the second-order phase transition. Proposing a minimal one-free-parameter neural network model, we analytically formulate the supervised learning problem for the canonical ensemble being used as a training data set. We show that just one free parameter is capable enough to describe the data-driven emergence of the universal finite-size-scaling function in the network output that is observed in a large neural network, theoretically validating its critical point prediction for unseen test data from different underlying lattices yet in the same universality class of the Ising criticality. We also numerically demonstrate the interpretation with the proposed one-parameter model by providing an example of finding a critical point with the learning of the Landau mean-field free energy being applied to the real data set from the uncorrelated random scale-free graph with a large degree exponent.
این مقاله را به طور کامل می توانید در لینک زیر مطالعه کنید.
https://iopscience.iop.org/article/10.1088/1742-5468/abdc18/meta
اولین باشید که نظر می دهید