Machine Learning No Supervisado para explorar fases exóticas de skyrmiones

F. A. GÓMEZ ALBARRACÍN

Bahía Blanca

Congreso; 108 Reunión Anual de Física Argentina; 2023

Universidad Nacional del Sur

(poster) En los últimos años, las técnicas de aprendizaje automático o machine learning (ML) han sido utilizadas en variedad de disciplinas, incluyendo la física de materia condensada. En particular, diferentes técnicas de ML supervisado, como redes neuronales, han sido aplicadas para explorar y clasificar fases de skyrmiones en sistemas magnéticos. Para el ML supervisado, se requiere una preclasificación de un set de datos, mientras que para ML no supervisado no es necesario etiquetarlos previamente. En este trabajo, utilizamos la técnica de reconstrucción del error aplicada a configuraciones obtenidas con simulaciones, posteriormente procesadas y recontruidas con un Convolutional Autoencoder (CAE). Comparando resultados para diferentes modelos de skyrmiones, observamos que el uso del CAE permitiría distinguir entre las diferentes fases conocidas de baja temperatura en un diagrama de fases de skyrmiones, y señalar posibles regiones con fases exóticas.