Entrenamiento de redes neuronales para determinar transiciones de fase en sistemas magnéticos.

ARLEGO, M.; SANTIAGO ACEVEDO; CORTE INÉS; C. A. LAMAS

CORDOBA

Congreso; 105 RAFA; 2020

Asociación de Física Argentina

Estudiamos el problema de clasificación de fases utilizando redes neuronales densas y convolucionales, aplicado a sistemas de Ising en dos dimensiones. Ponemos especial énfasis en la capacidad de las redes neuronales de generalizarse, es decir, de predecir más allá del conjunto de datos sobre el cual fueron entrenadas, utilizando diferentes conjuntos de datos generados por simulaciones montecarlo en las redes triangular, cuadrada y hexagonal, antiferromagnéticas, con interacciones a primeros y segundos vecinos. Más precisamente, mostraremos cómo es posible entrenar redes neuronales sobre conjuntos de datos generados sobre una geometría y un Hamiltoniano particulares, y con ellas identificar correctamente las fases correspondiantes a una geometría y/o un Hamiltoniano diferentes. Finalmente, mostraremos como a partir del estudio del rendimiento de una red neuronal en la tarea de clasificación de fases es posible encontrar un parámetro crítico de transición sin conocimiento alguno del Hamiltoniano del sistema.