Extraction of properties of anisotropic spin model by deep transfer learning methods

P. 82–89.

D.D. Sukhoverkhova, L.N. Shchur

Мы применяем методы глубокого машинного обучения с учителем для извлечения свойств анизотропной модели Изинга. Мы рассматриваем два случая анизотропии: ортогональную и диагональную. Из предсказаний нейронной сети мы получили функции вероятности фазы, на основе которых мы измерили две величины: критическую температуру и критический показатель корреляционной длины. Мы оценили значения параметра анизотропии в обоих случаях, при которых предсказания нейронной сети правильно воспроизводят критическое поведение. При значительной анизотропии нейронная сеть неверно предсказывает фазы. Мы связываем это с изменением поведения корреляционной функции. Например, в случае диагональной анизотропии именно колебания корреляционной функции приводят к значительным отклонениям в предсказаниях.

Ключевые слова: модель Изинга, phase transitions, фазовые переходы, Supervised Machine Learning, transfer learning, перенос обучения, Ising model, машинное обучение с учителем

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Суперкомпьютерное моделирование и методы ИИ в актуальных задачах физики и сложных систем (2025)

В книге

Параллельные вычислительные технологии – XIX всероссийская конференция с международным участием, ПаВТ'2025. Короткие статьи и описания плакатов

Издательский центр ЮУрГУ, 2025.