神经网络从自旋图里读出了什么相变信号?

一张二维伊辛模型的自旋图,往往很容易让人产生直觉:有的图大片同色,有的图颜色混杂。把这类图交给神经网络,训练它识别低温相和高温相,看起来像一个图像分类问题。但物理研究真正关心的,是系统在热力学极限下是否发生相变,相关长度如何增长,以及模型识别的依据究竟是什么。

Carrasquilla 与 Melko 在 2017 年展示了用神经网络识别凝聚态模型的相与相变。二维铁磁伊辛模型是理解这条路线的好起点,因为它有明确的哈密顿量、序参量与已知临界行为。我们可以据此设计诊断实验,区分网络重新发现了某个简单统计量,还是利用了更复杂的空间结构。

双色孔版印刷的自旋格点从成团排列过渡到杂乱排列
AI 生成配图 · 双色孔版印刷 · 未完纪

先明确模型与样本代表什么

在最常见的二维方格铁磁伊辛模型中,每个格点的自旋取正一或负一,近邻之间的相互作用能可以写成 H = −J Σ sᵢsⱼ,其中 J 大于零。相邻自旋同向会降低能量,而温度带来的热涨落使排列更无序。这里还需要说明边界条件与外磁场,因为它们会改变有限系统的统计性质。

对零外场、最近邻、无限二维方格模型,临界温度满足 k_B T_c / J = 2 / ln(1 + √2),约为 2.269。这个精确结果给机器学习实验提供了可靠参照,但它不适用于任意格点、任意相互作用或任意有限尺寸。训练时如果更换模型条件,仍用这个数字验收,比较对象就已经错了。

样本通常来自蒙特卡洛采样。相邻保存的构型可能相关,临界附近的相关时间尤其值得检查。把同一条轨迹的相邻帧随机分到训练与测试中,容易高估独立预测能力。合理的数据划分需要考虑采样间隔、独立链和温度分布,并确认系统完成了足够的平衡化。

一种实用检查是从全同向与随机初态分别启动独立链,比较平衡后能量和磁化的分布是否一致。如果两组结果仍有系统差别,继续增加训练样本并不能解决采样没有平衡的问题。模型可能非常准确地识别出不同初态遗留的痕迹,却没有识别研究者所定义的平衡相。

分类概率与序参量有什么关系

磁化强度是所有自旋的平均值。低温下,系统倾向出现较大的正磁化或负磁化;零外场时,这两个方向在物理上对称。对有限系统,常用磁化绝对值或磁化平方研究有序程度,避免正负翻转导致长时间平均接近零。网络若仅学会这一统计量,也已经能够完成相当一部分分类任务。

全连接网络可以直接汇总全局信息,卷积网络则先处理局部区域,但经过多层组合也能够形成全局统计。因此,不能仅根据架构有卷积层,就断定它学到了团簇边界或长程关联。网络的参数很多,并不意味着它一定使用了比磁化更复杂的物理概念。

分类概率还受到训练标签的定义影响。若训练样本只取远低于和远高于临界温度的两端,网络在中间区域的输出属于外推或插值行为。输出跨过一半的位置,不是由热力学定律直接规定的量。改变训练温度范围、类别比例和损失权重,都可能移动这条概率曲线。

即使概率经过校准,校准对象也是训练协议中的类别。假设合成数据把某个温度以下全部标为低温,模型学习的是这个人为标签边界与输入统计之间的关系。它可以帮助定位转变,但不能用很高的标签预测精度反过来证明边界就是正确的临界温度。这种循环论证在已知相图的演示中尤其容易被忽略。

展开演示动图 · 伊辛模型抽样
对比低温和高温格点中的自旋团簇变化。
对比低温和高温格点中的自旋团簇变化。

打乱位置但保持磁化,能检验什么

下面是一个合成诊断实验。取一张十乘十的格点图,设七十个自旋为正,三十个为负,则磁化强度为 0.4。随机打乱这百个自旋的位置,总磁化仍为 0.4,但原来的团簇、边界与邻近关联通常会改变。如果网络输出几乎不变,说明它可能主要依赖全局数量,而非具体的空间排列。

若输出明显改变,也不能立即宣称网络学到了临界关联长度。变化可能来自近邻能量、局部纹理,或某种特定尺度的图案。可以进一步只在小块内部打乱,逐渐增加块大小;也可以构造具有相同磁化而不同近邻相关的样本,检查网络对哪些统计量敏感。每一个扰动实验都只排除一部分解释。

还可将全部自旋反号。对零外场的铁磁相分类,物理标签应保持不变。如果网络把正磁化和负磁化看成两个不同物理相,需要检查训练数据是否缺少某一方向,或者模型是否不必要地依赖了符号。对称性检查成本很低,却能揭示一类看似高精度的捷径。

最简单的基准有时更能解释结果

磁化绝对值阈值是一个应当优先测试的基准。如果一个复杂网络的结果与它几乎相同,那么主要结论可能是数据中的相信息可以由该序参量提取。网络仍可能在自动表示或迁移方面有价值,但需要另设实验支持这些优势。训练参数更多本身不会增加物理解释的深度。

Wang 在 2016 年研究了用主成分分析等无监督方法提取伊辛构型中的低维结构,说明并非只有带标签的深网络能够找到相相关信息。主成分有时可与磁化或结构因子联系起来,这种可解释性使它成为很有意义的比较对象。比较时同样要检查采样与尺寸,而不是把“无监督”当作免检条件。

van Nieuwenburg 等提出的 confusion 方法,则通过改变假定的分类边界,观察分类表现如何变化来定位转变。它提供了一种减少先验标签依赖的思路,但准确率曲线的形状仍依赖数据分布和训练过程。研究设计的重点,是解释曲线为何出现,以及它是否能够在独立模型条件和不同尺寸下重现。

有限尺寸为什么会制造平滑过渡

有限格点系统不会呈现与无限系统完全相同的非解析行为。在有限样本上,磁化、能量和分类概率通常平滑变化。一个分类器在某个温度从“低温”倾向转向“高温”,可以给出伪临界位置,但需要观察这一位置随格点边长的变化,才能讨论热力学极限。

一个简单的定量参照来自高温独立自旋。若共有 N 个彼此独立、等概率取正负的自旋,磁化的均方根为 1/√N。在二维 L 乘 L 格点上,它就是 1/L。因此,即使不存在有序相,较小的系统也会出现更大的偶然磁化。一个固定磁化阈值可能对小系统与大系统给出不同误判率。

真正的有限尺寸分析可以结合磁化矩、磁化率、Binder 累积量或适当的标度形式。若使用网络输出作为候选观测量,需要验证它与临界尺度的关系,不能直接把其他物理量的临界指数套上去。跨尺寸迁移也要考虑输入表示:将小图放大到同样像素数,改变的是采样与纹理,并不等于增大物理系统。

例如 Binder 累积量可由磁化二阶矩和四阶矩构成,不同尺寸的曲线在临界附近提供交叉线索。它的作用是用分布形状压低某些尺度因素的影响,但有限尺寸修正、采样误差与边界条件仍可能使交叉漂移。将网络输出与这样的传统量并列,可以判断网络有没有提供额外信息,而不是只画一条颜色更鲜明的概率曲线。

怎样把一次分类演示推进到物理结论

一项有说服力的研究,应同时报告采样协议、温度划分、格点尺寸、对称性处理及基准方法。测试可以分三层:先在相同模型的独立构型上检查分类,再在未参与调参的尺寸和温度上检查定位,最后研究修改相互作用或边界之后模型是否仍识别了同一种物理信息。每一层支持的结论不同。

结果分析还应包含失败情形。若随机打乱后性能不变,空间结构解释就需要收缩;若改变训练区间就显著移动预测临界温度,则概率交叉点对训练协议敏感;若网络只在单一尺寸上与精确温度吻合,不能排除偶然抵消。多个初始化给出的波动,也应与采样误差一起进入不确定性评估。

误差估计还要尊重样本之间的相关性。对连续构型逐张做普通重采样,可能得到过窄的置信区间;按独立链或足够长的时间块重采样通常更贴近数据生成过程。若增加格点尺寸后误差条反而异常缩小,应先检查有效独立样本数,而不是立刻认定网络在更大的系统中更加确定。

对更复杂的量子相或拓扑相,简单磁化可能失效,但伊辛模型的这些检验方法仍然有启发:找到保持某些统计量、改变另一些统计量的干预,逐步定位模型使用的信息。机器学习最有价值的贡献,是形成可以进一步检验的表示或观测量。只有把分类行为接回对称性、关联与尺度分析,图像中的模式才有机会成为可靠的相变证据。

参考资料

© 版权声明
THE END
喜欢就支持一下吧
点赞47