کاربرد یادگیری ماشین در شبیه سازی و پیش بینی گذارهای فازی در سامانه های فیزیکی پیچیده

گذارهای فازی به عنوان یکی از بنیادی ترین پدیده های جمعی در سامانه های فیزیکی پیچیده، نقشی کلیدی در تبیین رفتار ماکروسکوپی مواد و سامانه های آماری ایفا می کنند. در نزدیکی نقاط بحرانی، سامانه ها با نوسانات شدید، هم بستگی های بلندبرد و رفتارهای غیرخطی مواجه می شوند که تحلیل آن ها با روش های کلاسیک تحلیلی و عددی، با محدودیت های جدی محاسباتی و مفهومی همراه است. در دهه های اخیر، پیشرفت های چشمگیر در حوزه یادگیری ماشین، به ویژه یادگیری عمیق، افق های نوینی را برای تحلیل داده محور این پدیده ها فراهم کرده است. یادگیری ماشین با اتکا بر توانایی استخراج الگوهای پنهان از داده های حجیم، امکان شناسایی خودکار فازها، پیش بینی نقاط بحرانی و کاهش وابستگی به تعریف صریح پارامتر نظم را فراهم می آورد.هدف این پژوهش، تبیین نظام مند کاربرد روش های یادگیری ماشین در شبیه سازی و پیش بینی گذارهای فازی در سامانه های فیزیکی پیچیده است. در این راستا، ابتدا مبانی نظری گذار فاز و ارتباط آن با مفاهیم یادگیری آماری تشریح می شود، سپس چارچوب روش شناختی مبتنی بر ترکیب شبیه سازی های عددی کلاسیک و مدل های یادگیری ماشین ارائه می گردد. نتایج نشان می دهد که الگوریتم های یادگیری نظارت شده و بدون نظارت، قادرند با دقت بالا مرزهای فازی و رفتار بحرانی سامانه را شناسایی کنند و در بسیاری موارد، عملکردی مکمل و کارآمدتر نسبت به روش های سنتی ارائه دهند. این یافته ها بیانگر آن است که یادگیری ماشین می تواند به عنوان ابزاری راهبردی در توسعه پژوهش های آینده فیزیک آماری و سامانه های پیچیده مورد استفاده قرار گیرد.

کلیدواژه ها:

گذار فاز ، سامانه های فیزیکی پیچیده ، یادگیری ماشین ، فیزیک آماری ، شبیه سازی عددی