Redes Neurais na Identificação de Transições de Fase

Ana Gabriela da Silva Freitas; Kalai Santana Costa Guimarães; Zochil Gonzalez Arenas; Roberto Santana

doi:10.14295/vetor.v35i1.18372

Autores

Ana Gabriela da Silva Freitas Universidade do Estado do Rio de Janeiro
Kalai Santana Costa Guimarães Universidade do Estado do Rio de Janeiro
Zochil Gonzalez Arenas Universidade do Estado do Rio de Janeiro
Roberto Santana Grupo de Sistemas Inteligentes ISG, Universidade do País Basco UPV/EHU, Espanha

DOI:

https://doi.org/10.14295/vetor.v35i1.18372

Palavras-chave:

Transição de Fase, Aprendizado de Máquina, Modelo de Ising

Resumo

No presente trabalho, foi realizada uma introdução ao uso de técnicas de aprendizado de máquinas para identificar as fases de um sistema magnético e a transição entre estas fases. Para isso, foi utilizado o Modelo de Ising bidimensional e foi implementada uma rede Perceptron de uma única camada. Os resultados obtidos apontaram uma boa acurácia na detecção da temperatura da transição de fase neste modelo, confirmando a viabilidade do emprego destas técnicas no estudo das transições de fase.

Downloads

Referências

B. A. Cipra, “An Introduction to the Ising Model,” American Mathematical Monthly, vol. 94, pp. 937–959, 1987. Disponível em: https://doi.org/10.1080/00029890.1987.12000742

Z. G. Arenas, D. G. Barci, e M. V. Moreno, “Path integral approach to nonequilibrium potentials in multiplicative Langevin dynamics,” Europhysics Letters, vol. 113, p. 10009, 2016. Disponível em: https://doi.org/10.1209/0295-5075/113/10009

O. Carrillo, M. Ibañes, J. García-Ojalvo, J. Casademunt, e J. M. Sancho, “Intrinsic noise-induced phase transitions: Beyond the noise interpretation,” Physical Review E, vol. 67, no. 4, p. 046110, 2003. Disponível em: https://doi.org/10.1103/PhysRevE.67.046110

J. Carrasquilla e R. Melko, “Machine learning phases of matter,” Nature Physics, vol. 13, pp. 431–434, 2017. Disponível em: https://doi.org/10.1038/nphys4035

L. Saitta, A. Giordana, e A. Cornuéjols, Phase Transitions in Machine Learning. Cambridge University Press, 2011. Disponível em: https://doi.org/10.1017/CBO9780511975509

K. Shiina, H. Mori, Y. Okabe, e H. K. Lee, “Machine-Learning Studies on Spin Models,” Scientific Reports, vol. 10, p. 2177, 2020. Disponível em: https://doi.org/10.1038/s41598-020-58263-5

D. A. Stariolo e S. A. Cannas, Mecânica Estatística e Fenômenos Críticos: uma introdução. Editora Livraria da Física, 2023.

L. Onsager, “Crystal Statistics. I. A Two-Dimensional Model with an Order-Disorder Transition,” Physical Review, vol. 65, pp. 117–149, Feb 1944. Disponível em: https://doi.org/10.1103/PhysRev.65.117