Исследование универсальности моделей статистической механики методами машинного обученияUniversality classes and machine learning

Диссертационная работа посвящена разработке метода исследования фазовых переходов в решеточных спиновых моделях с помощью анализа функции вариации выхода нейронной сети. Разработанный метод позволяет систематически извлекать критический показатель корреляционной длины и температуру фазового перехода для моделей Изинга, Бакстера-Ву и четырехкомпонентного Поттса с высокой точностью. Полученные результаты в пределах статистических ошибок согласуются с данными численного моделирования методами Монте-Карло и точными аналитическими решениями. Исследуются факторы, влияющие на точность работы метода, даны рекомендации при выборе параметров моделирования. Разработан метод кодирования входных конфигураций спинов, позволяющий переносить знание о фазовом переходе между классами универсальности для исследования решеточных спиновых моделей.