Сиамская нейросеть находит фазовые переходы в 3D-перколяции с минимальными данными

Ученые разработали метод машинного обучения на основе сиамской нейронной сети (SNN), который позволяет обнаруживать критические явления в трехмерных моделях перколяции, используя всего 22 размеченные точки из некритических областей. Этот подход достигает точности определения порога перколяции на уровне процентов и оценивает критический показатель ν, согласующийся с литературными данными. Открытие упрощает анализ фазовых переходов в системах с ограниченными данными.

Как работает сиамская нейронная сеть для обнаружения фазовых переходов

Сиамская нейронная сеть — это архитектура, которая обучается сравнивать два входа и определять, принадлежат ли они к одному классу. В данном случае сеть получает пары конфигураций перколяции и учится предсказывать, находятся ли они в одной фазе (например, обе в перколирующей или обе в неперколирующей). Обучение проводится на бинарных метках сходства, что устраняет необходимость в точных значениях параметра порядка. После обучения SNN может классифицировать новые конфигурации, а по изменению вероятности сходства в зависимости от параметра (например, вероятности занятия узла) определяется критическая точка.

Почему метод эффективен при малом количестве данных

Традиционные методы машинного обучения для обнаружения фазовых переходов требуют больших размеченных наборов данных с известными метками фаз. Однако в реальных экспериментах или сложных моделях получить такие данные сложно. Предложенный подход использует всего 22 размеченные точки, взятые из областей, далеких от критической точки. Это возможно благодаря тому, что SNN обучается на относительных различиях между конфигурациями, а не на абсолютных значениях. Сеть автоматически выделяет статистические признаки, совпадающие с нормализованным размером наибольшего кластера (Smax/L^3), корреляция с которым превышает 0.99. Таким образом, метод не требует знания точного параметра порядка и работает с минимальной разметкой.

Какие результаты получены для 3D-перколяции

Исследователи протестировали метод на двух вариантах перколяции: site и bond на простой кубической решетке. Порог перколяции был определен с точностью до нескольких процентов от известных значений. Критический показатель ν, характеризующий расходимость корреляционной длины, также был оценен и совпал с литературными данными. Важно, что модель, обученная на простых кубических решетках, без дополнительного обучения смогла определить фазовый переход в гранецентрированных кубических решетках. Это демонстрирует способность метода к переносу обучения между различными структурами.

Как метод может быть применен к другим системам

Успех в перколяции открывает путь к применению SNN для обнаружения фазовых переходов в других системах, где явный параметр порядка неизвестен или трудно измерим. Например, в магнитных системах, квантовых фазовых переходах или в моделях со сложными взаимодействиями. Метод особенно полезен, когда доступно лишь небольшое количество размеченных данных или когда метки неточны. Кроме того, SNN может быть использована для анализа экспериментальных данных, где конфигурации получаются из измерений, а не из симуляций.

Какие ограничения существуют у метода

Несмотря на многообещающие результаты, метод имеет ограничения. Его применимость к другим типам фазовых переходов, например, с непрерывными симметриями или в системах с сильным шумом, еще предстоит проверить. Также неясно, как метод поведет себя при очень малых размерах системы или при наличии значительных флуктуаций. Текущая работа сосредоточена на перколяции, и для обобщения потребуются дополнительные исследования.

Что это значит для будущих исследований

Предложенный подход может существенно упростить обнаружение фазовых переходов в сложных системах. Исследователи смогут использовать SNN для быстрой оценки критических параметров без необходимости сбора больших наборов данных. Это особенно актуально для областей, где эксперименты дороги или длительны. Кроме того, метод может быть интегрирован в автоматизированные системы для анализа данных в реальном времени.

Заключение

Сиамская нейронная сеть, обученная на минимальных данных, способна точно определять фазовые переходы в 3D-перколяции. Метод не требует знания параметра порядка и работает с 22 точками из некритических областей. Он демонстрирует высокую точность и способность к переносу обучения. Это открывает новые возможности для обнаружения критических явлений в системах с ограниченными данными.