سیمای فاز مدل هایزنبرگ: روش یادگیری ماشین

الگوریتم یادگیری ماشین به عنوان ابزرای قدرتمند، چشم انداز خوبی برای مطالعه فازهای مختلف ماده در زمینه فیزیک ماده چگال ترسیم می کند. در این مقاله سعی خواهیم کرد با بازبینی در فرمول بندی الگوریتم های شبکه عصبی عمیق، روشی نو جهت حل مسیله بهینه سازی سامانه های اسپینی، برای بررسی حالت پایه سامانه های مغناطیسی زیر دمای کوری، که تقارن دورانی اسپین به صورت خودبه خودی شکسته می شود، معرفی کنیم. با استفاده از روش شبکه یادگیری عمیق، سیمای فاز کلاسیکی مدل هایزنبرگ همسانگرد شبکه مربعی و شبکه لانه زنبوری را مطالعه کردیم. نتایج به دست آمده با روش یادگیری ماشین، با سیمای فاز کلاسیکی مدل هایزنبرگ که از دیگر روش های تحلیلی و محاسباتی پیدا شده، همخوانی کامل دارد. همچنین، در تحقیق حاضر که اساس آن بر یادگیری عمیق است، مزیت بالاتری نسبت به الگوریتم های تکاملی، که با چالش اساسی در حل مسیله های بهینه سازی مواجه اند، برخوردار است. بنابراین، توانایی الگوریتم های یادگیری ماشین نظیر شبکه عصبی عمیق در حل مسایل فیزیک ماده چگال، استفاده از آن را در مطالعه حالت پایه سامانه های مغناطیسی، اجتناب ناپذیر می سازد‏.