Aprendizaje no supervisado aplicado a la detección de fases magnéticas

C. A LAMAS; ACEVEDO, S.

Buenos Aires

Workshop; Giambiagi 2020; 2020

UBA

Estudiamos el problema de clasificación de fases utilizando redes neuronales[1] 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 m ́as all ́a del conjunto de datos sobre el cual fueron entrenadas[1][3], 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 correspondientes a una geometría y/o un hamiltoniano diferentes. Finalmente, mostraremoscomo a partir del estudio del rendimiento de una red neuronal en la tarea de clasificación de fases[2]es posible encontrar un parámetro crítico de transición sin conocimiento alguno del Hamiltoniano delsistema.