論文の概要: Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training
- arxiv url: http://arxiv.org/abs/2505.10393v1
- Date: Thu, 15 May 2025 15:16:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-16 22:29:06.377904
- Title: Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training
- Title（参考訳）: 合成データと物理インフォームドトレーニングによる磁気位相の解明
- Authors: Agustin Medina, Marcelo Arlego, Carlos A. Lamas,
- Abstract要約: 合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討する。
モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形態を取り入れた。
この結果から, 合成, 構造化, 計算効率のよい学習手法は, 物理的に意味のある位相境界を明らかにすることができることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate the efficient learning of magnetic phases using artificial neural networks trained on synthetic data, combining computational simplicity with physics-informed strategies. Focusing on the diluted Ising model, which lacks an exact analytical solution, we explore two complementary approaches: a supervised classification using simple dense neural networks, and an unsupervised detection of phase transitions using convolutional autoencoders trained solely on idealized spin configurations. To enhance model performance, we incorporate two key forms of physics-informed guidance. First, we exploit architectural biases which preferentially amplify features related to symmetry breaking. Second, we include training configurations that explicitly break $\mathbb{Z}_2$ symmetry, reinforcing the network's ability to detect ordered phases. These mechanisms, acting in tandem, increase the network's sensitivity to phase structure even in the absence of explicit labels. We validate the machine learning predictions through comparison with direct numerical estimates of critical temperatures and percolation thresholds. Our results show that synthetic, structured, and computationally efficient training schemes can reveal physically meaningful phase boundaries, even in complex systems. This framework offers a low-cost and robust alternative to conventional methods, with potential applications in broader condensed matter and statistical physics contexts.
- Abstract（参考訳）: 合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討し,計算の単純さと物理インフォームド戦略を組み合わせた。
正確な解析解を持たない希釈Isingモデルに着目し、単純な高密度ニューラルネットワークを用いた教師付き分類と、理想化されたスピン構成にのみ訓練された畳み込みオートエンコーダを用いた位相遷移の教師なし検出という2つの補完的なアプローチを探索する。
モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形式を取り入れた。
まず、対称性の破れに関連する特徴を優先的に増幅するアーキテクチャバイアスを利用する。
第2に、$\mathbb{Z}_2$対称性を明示的に破るトレーニング構成が含まれており、ネットワークが順序付き位相を検出する能力を強化している。
タンデムで作用するこれらのメカニズムは、明示的なラベルがない場合でも、ネットワークの位相構造に対する感受性を高める。
我々は,臨界温度とパーコレーション閾値の直接数値推定との比較により,機械学習の予測を検証した。
この結果から, 複雑なシステムにおいても, 合成, 構造化, 計算効率のよい学習手法により, 物理的に意味のある位相境界を明らかにすることが可能であることが示唆された。
この枠組みは、より広範に凝縮した物質や統計物理学の文脈における潜在的な応用を含む、従来の方法に対する低コストで堅牢な代替手段を提供する。
関連論文リスト
- Manifold meta-learning for reduced-complexity neural system identification [1.0276024900942875]
低次元多様体を発見するメタラーニングフレームワークを提案する。
この多様体は、関連する力学系のクラスによって生成される入力出力シーケンスのメタデータセットから学習される。
両レベルメタラーニングアプローチとは異なり,本手法では,学習多様体に直接データセットをマッピングする補助的ニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2025-04-16T06:49:56Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Learning-based adaption of robotic friction models [50.72489248401199]
我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。
本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
論文 参考訳（メタデータ） (2023-10-25T14:50:15Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳（メタデータ） (2023-10-08T17:55:33Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Learning two-phase microstructure evolution using neural operators and
autoencoder architectures [0.0]
我々は、畳み込みオートエンコーダアーキテクチャとディープニューラル演算子(DeepONet)を統合する新しいフレームワークを開発する。
DeepONetは潜伏空間における微細構造進化のメソスケールダイナミクスを学習する。
結果は、効率的で正確な位相場フレームワークである。
論文 参考訳（メタデータ） (2022-04-11T18:34:59Z) - Unsupervised and supervised learning of interacting topological phases
from single-particle correlation functions [0.0]
本研究では、教師なしおよび教師なしの機械学習技術が、解決可能なモデルのデータに基づいて訓練された場合、正確には解決不可能なモデルのフェーズを予測することができることを示す。
特に,非相互作用量子ワイヤの単一粒子相関関数を用いたトレーニングセットを用いる。
非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
論文 参考訳（メタデータ） (2022-02-18T16:02:29Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Neural Network Training with Asymmetric Crosspoint Elements [1.0773924713784704]
実用的な抵抗装置の非対称コンダクタンス変調は、従来のアルゴリズムで訓練されたネットワークの分類を著しく劣化させる。
ここでは、ハミルトニアン Descent という代替の完全並列トレーニングアルゴリズムを記述し、実験的に示す。
我々は、なぜデバイス非対称性が従来のトレーニングアルゴリズムと根本的に相容れないのか、新しいアプローチがどのようにそれを有用な機能として利用するのか、という批判的な直感を提供する。
論文 参考訳（メタデータ） (2022-01-31T17:41:36Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。