机器学习回归不确定性揭示自驱动活性粒子的群集相变
Reveal flocking phase transition of self-propelled active particles by machine learning regression uncertainty作者机构:华南师范大学物理学院理论物理研究所广州510006
出 版 物:《物理学报》 (Acta Physica Sinica)
年 卷 期:2023年第72卷第20期
页 面:114-121页
核心收录:
学科分类:0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0714[理学-统计学(可授理学、经济学学位)] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(批准号:12275089,12075090) 广东省自然科学基金(批准号:2023A1515012800,2022A1515010449) 科技部重点研发计划(批准号:2022YFA1405304)资助的课题.
摘 要:本文发展了一种利用逆统计问题中的回归不确定性来自动探索物质相的新方法.以自驱动活性粒子的群集相变为例,展示了对于这一类涉及非平衡、非晶格、一阶相变等复杂要素的多体系统,在训练人工神经网络处理其中的逆统计问题回归任务,成功重构出系统的噪声强度这一参数之后,回归结果的不确定性关于实际噪声强度的分布具有非平庸的规律性,可用于揭示该系统中的群集相变,并自动提取相变的临界噪声强度.本文还与两种基于神经网络分类能力的常见方法进行直接对比,讨论了它们的异同和各自特点.结果表明,本文发展的新方法不仅具有使用效率较高和所需预设的物理知识较少等实用优势,而且更有在理论层面较为自然地与传统物理概念建立联系的可能性,对于跨领域的不同物理系统都有良好的通用性和有效性.