通过混学习方法来识别不连续的相位过渡
Monika Richter-Laskowska1, Marcin Kurpas2, Maciej M Maśka3
1University of Silesia, Katowice, Poland and Łukasiewicz Research Network Krakow Institute of Technology, The Centre for Biomedical Engineering, Zakopiańska 73, Kraków 30-418, Poland.
机器学习工具混学习 (LbC) 方法对不连续的相位过渡进行了测试. 虽然相位共存最初似乎存在问题,但发现其他因素影响了LbC的有效性,甚至可以识别相位过渡顺序.
科学领域:
- 物理 物理学 物理
- 机器学习 机器学习
- 计算科学 计算科学
背景情况:
- 混学习 (LbC) 方法是一种机器学习技术,用于识别相变的临界温度 (Tc).
- 以前,LbC仅对连续相位过渡有效,依赖于故意错误标记数据以引起混.
研究的目的:
- 调查LbC方法对不连续相变的适用性.
- 了解不连续转换中的相位共存如何影响LbC性能.
- 探索LbC是否可以适应以确定相位过渡特征.
主要方法:
- 将LbC方法应用于三个显微镜模型:布鲁姆-卡佩尔,q状态子和Falicov-Kimball.
- 分析了相位共存对神经网络混乱和性能的影响.
- 研究了在不连续转换中影响LbC有效性的其他因素.
主要成果:
- 在不连续的过渡中相位共存可以增加神经网络的混乱,可能会降低LbC的性能.
- 发现不连续相变的其他方面更为关键,降低了LbC的有效性.
- 证明了这些过渡的特定特征可以使用LbC来确定相位过渡顺序.
结论:
- 在不连续的相位转换中,LbC方法的有效性受到超越简单相位共存的因素的显著影响.
- 经过修改或进一步分析,LbC方法显示了识别相变的顺序的潜力.
- 需要进一步的研究,以充分适应LbC的不同阶段过渡类型.
更多相关视频
10:08Phase Behavior of Charged Vesicles Under Symmetric and Asymmetric Solution Conditions Monitored with Fluorescence Microscopy
Published on: October 24, 2017
11:38Combining Microfluidics and Microrheology to Determine Rheological Properties of Soft Matter during Repeated Phase Transitions
Published on: April 19, 2018
相关概念视频
Phase Transitions
Phase Transitions: Sublimation and Deposition
Phase Transitions: Vaporization and Condensation
Phase Transitions: Melting and Freezing
Phase Diagram
Phase Diagrams
