پیش بینی رفتارهای توپولوژیکی مدل آیزینگ در شبکه مربع بر اساس الگوریتم های یادگیری عمیق

شبکه های اسپین کوانتومی آرایشی از اسپین ها در بستر توپولوژیکی هستند. بر اساس انواع آرایش اسپین در ابعاد توپولوژیکی ۱D/۲D/۳D، و همچنین هامیلتونی سیستم( با توجه به قدرت اندرکنش بین اسپین همسایه ها در حضور میدان های مغناطیسی خارجی)، سیستم موردبررسی رفتارهای متفاوتی در مرحله ماکروسکوپی پدیدار خواهد نمود. در این مقاله به بررسی قابلیت شبکه های عصبی یادگیری عمیق در تشخیص رفتار و پیش بینی فازهای مختلف شبکه های اسپینی برای هامیلتونی مدل آیزینگ می پردازیم. در این هامیلتونی میدان مغناطیسی خارجی را همگن و شرایط مرزی متناوب را برای شبکه های توپولوژیکی مربعی دوبعدی روی یک چنبره در نظر گرفتیم. دو مدل یادگیری شبکه عصبی کانولوشن (CNN) و شبکه عصبی چند لایه (MLNN) را با هم مقایسه شد و نتایج خود را در یادگیری مقایسه نمودیم. در بررسی انجام شده هر دو روش یادگیری دقت و عملکرد خطای یکسانی را در نتایج یادگیری خود نمایان ساختند

کلیدواژه ها:

شبکه های اسپینی کوانتومی ، هامیلتونی ، یادگیری عمیق ، مدل آیزینگ