سيماي فاز مدل هايزنبرگ: روش يادگيري ماشين

الگوريتم يادگيري ماشين به عنوان ابزراي قدرتمند، چشم‌انداز خوبي براي مطالعه فازهاي مختلف ماده در زمينه فيزيك ماده چگال ترسيم مي‌كند. در اين مقاله سعي خواهيم كرد با بازبيني در فرمول‌بندي الگوريتم‌هاي شبكۀ‌ عصبي عميق، روشي نو جهت حل مسئلۀ بهينه ‌سازي سامانه‌هاي اسپيني، براي بررسي حالت پايۀ سامانه‌هاي مغناطيسي زير دماي كوري، كه تقارن دوراني اسپين به صورت خودبه‌خودي شكسته مي‌شود، معرفي كنيم. با استفاده از روش شبكۀ يادگيري عميق، سيماي فاز كلاسيكي مدل هايزنبرگ همسانگرد شبكۀ مربعي و شبكۀ لانه ‌زنبوري را مطالعه كرديم. نتايج به‌ دست آمده با روش يادگيري ماشين، با سيماي فاز كلاسيكي مدل هايزنبرگ كه از ديگر روش‌هاي تحليلي و محاسباتي پيدا شده، همخواني كامل دارد. همچنين، در تحقيق حاضر كه اساس آن بر يادگيري عميق است، مزيت بالاتري نسبت به الگوريتم‌هاي تكاملي، كه با چالش اساسي در حل مسئله‌هاي بهينه ‌سازي مواجه‌اند، برخوردار است. بنابراين، توانايي الگوريتم‌هاي يادگيري ماشين نظير شبكۀ عصبي عميق در حل مسائل فيزيك مادۀ چگال، استفاده از آن‌ را در مطالعه حالت پايۀ سامانه‌هاي مغناطيسي، اجتناب‌ناپذير مي‌سازد‏.