Eficiencia de una red neuronal para detectar la transición de fase en sistemas 2D con percolación

Autores/as

  • Gustavo Medina-Ángel Facultad de Contaduría, Administración e Informática, Universidad Autónoma del Estado Morelos, Av. Universidad 1001, Col. Chamilpa, Cuernavaca, Morelos, C.P. 62210, México
  • Gennadiy Burlak Centro de Investigación en Ingeniería y Ciencias Aplicadas, Universidad Autónoma del Estado de Morelos. Avenida Universidad 1001, Colonia Chamilpa, Cuernavaca, Morelos, México, C.P. 62209

DOI:

https://doi.org/10.30973/progmat/2022.14.3/1

Palabras clave:

RN, Transición de fase, bidimensional, percolación

Resumen

Construimos una red neuronal (RN) que simula el efecto de percolación para el caso de sistemas 2D utilizando una red neuronal supervisada. Creamos una base de datos (DB) donde asignamos los valores de los poros con radio aleatorio que componen el sistema bidimensional para entrenar nuestra red, una vez entrenada, la RN fue capaz de detectar si había o no una transición de fase en sistemas 2D con las que se probó nuestra red. Realizamos varias pruebas introduciendo ruido en los radios de los poros en los sistemas de prueba y obtuvimos buenos resultados de predicción cuando el ruido era pequeño, mientras que para ruidos superiores a 0.3 la precisión de predicción tendía a disminuir.

Biografía del autor/a

Gustavo Medina-Ángel, Facultad de Contaduría, Administración e Informática, Universidad Autónoma del Estado Morelos, Av. Universidad 1001, Col. Chamilpa, Cuernavaca, Morelos, C.P. 62210, México

El Dr. Gustavo Medina Ángel, En 2008 estudio la Ingeniería en Sistemas Computacionales, egresado de Instituto Tecnológico de Zacatepec, en el 2016 se tituló como Maestro en Ingeniería y Ciencias Aplicadas de la Universidad Autónoma del Estado de Morelos y en el año 2020 obtuvo el título de Doctor en Ingeniería y Ciencias Aplicadas en la misma institución.

Actualmente es docente de la Facultad de Contaduría, Administración e Informática, así como en la escuela de Estudios Superiores de Mazatepec. Es desarrollador de Software Independiente, ha impartido talleres de programación avanzada en Java, Programación en Arduino y programación móvil. Ha publicado artículos nacionales e internacionales y se ha desempeñado como árbitro en revistas científicas. Las líneas de investigación a las que se dedica son; la simulación de fenómenos físicos, los métodos numéricos aplicados a la computación, la optimización de procesos y el procesamiento digital de imágenes. 

Gennadiy Burlak, Centro de Investigación en Ingeniería y Ciencias Aplicadas, Universidad Autónoma del Estado de Morelos. Avenida Universidad 1001, Colonia Chamilpa, Cuernavaca, Morelos, México, C.P. 62209

El Dr. Gennadiy Burlak ha trabajado como catedrático en la Universidad Nacional de Kiev (KNU), en el Departamento de Física Teórica. Tiene los grados de doctor en: Ph. D. y D. of Sc. Desde 1998 y es Profesor-Investigador Titular “C” del Centro de Investigaciones en Ingeniería y Ciencias Aplicadas (CIICAp) de la Universidad Autónoma del Estado de Morelos (UAEM). Es miembro del SIN desde 2000 y actualmente tiene el nivel III.  

El Dr. Burlak es autor y coautor de cuatro libros y más de 160 artículos en revistas internacionales. Ha participado en más de 170 ponencias en Congresos Nacionales e Internacionales. Bajo de su dirección se han graduado: 16 tesis de doctorado, maestría y licenciatura. Ha impartido cursos de electromagnetismo, ecuaciones derivadas parciales y métodos numéricos en el posgrado y licenciatura del CIICAp de la UAEM.  

Es miembro de la Academia de Ciencias de Morelos (ACMOR) de American Physical Society. Se ha desempeñado como evaluador, árbitro del CONACyT y como referí de varias revistas internacionales como lo son: Physical Review Letters., Physical Review A, B, E, entre otros.  

Sus temas principales de investigación son: Micro-esféricas multicapas, Optimización de radiación óptica en nanoestructuras, Dinámica no-lineal del Bose-Einstein condénsate, Aplicaciones de redes neuronales en física cuántica y transición de fases en sistemas sólidos.

Citas

Del Coso, R., Requejo-Isidro, J., Solis, J., Gonzalo, J., Afonso C.N. Third order nonlinear optical susceptibility of Cu: Al 2 O 3 nanocomposites: from spherical nanoparticles to the percolation threshold. Journal of applied physics. 2004, 95(5), 2755-2762. https://doi.org/10.1063/1.1643779

Medina, G., Calderón, Y.Y., Burlak, G., Hernández, J. A. Study of the critical probability of percolation in a 3D system with pores of random radius for variable grids. Revista Mexicana de Física. 2020, 66(3), 315-321. https://doi.org/10.31349/revmexfis.66.315

Li, J., Kim, J.K. Percolation threshold of conducting polymer composites containing 3D randomly distributed graphite nanoplatelets. Composites science and technology. 2007, 67(10), 2114-2120. https://doi.org/10.1016/j.compscitech.2006.11.010

Davis, S., Trapman, P., Leirs, H., Begon, M., Heesterbeek, J A.P. The abundance threshold for plague as a critical percolation phenomenon. Nature. 2008, 454(7204), 634-637. https://doi.org/10.1038/nature07053

S. Nakaya and K. Nakamura, Percolation conditions in fractured hard rocks: A numerical approach using the three-dimensional binary fractal fracture network (3D BFFN) model. Journal of Geophysical Research: Solid Earth. 2007, 112(B12). https://doi.org/10.1029/2006JB004670

Li, L., Yang, Y., Zhang, D., Ye, Z.G., Jesse, S., Kalinin, S.V., Vasudevan, R.K. Machine learning–enabled identification of material phase transitions based on experimental data: Exploring collective dynamics in ferroelectric relaxors. Science advances. 2018, 4(3), eaap8672. https://doi.org/10.1126/sciadv.aap8672

Carrasquilla, J., Melko, R.G. Machine learning phases of matter. Nature Physics. 2017, 13(5), 431-434. https://doi.org/10.1038/nphys4035

Tanaka, A., Tomiya, A. Detection of phase transition via convolutional neural networks. Journal of the Physical Society of Japan. 2017, 86(6), 063001. https://doi.org/10.7566/JPSJ.86.063001

Burlak G. Evaluation of the spectrum of a quantum system using machine learning based on incomplete information about the wavefunctions. Applied Physics Letters. 2020, 116(2), 024101. https://doi.org/10.1063/1.5136251

Salvail, J.Z., Agnew, M., Johnson, A.S., Bolduc, E., Leach, J., Boyd, R.W. Full characterization of polarization states of light via direct measurement. Nature Photonics. 2013, 7(4), 316-321, 2013. https://doi.org/10.1038/nphoton.2013.24

Burlak, G., Calderón-Segura, Y. Percolation and lasing in real 3D crystals with inhomogeneous distributed random pores. Physica B. 2014, 453, 8-13. https://doi.org/10.1016/j.physb.2014.04.030

Burlak, G., Medina-Ángel, G. Applications of a neural network to detect the percolating transitions in a system with variable radius of defects. Chaos. 2020, 30(8), 083145. https://doi.org/10.1063/5.0010904

Vogel, K., & Risken, H. Determination of quasiprobability distributions in terms of probability distributions. Physical Review A. 1989, 40(5), 2847. https://doi.org/10.1103/PhysRevA.40.2847

Grimmett, G. The random-cluster model. In: Probability on discrete structures. Berlin: Springer, 1999. https://doi.org/10.1007/978-3-540-32891-9

Cunillera, A., Soriano, M.C., Fischer, I. Cross-predicting the dynamics of an optically injected single-mode semiconductor laser using reservoir computing. Chaos. 2019, 29(11), 113113. https://doi.org/10.1063/1.5120822

Burlak, G., Rubo, Y.G. Mirrorless lasing from light emitters in percolating clusters. Physical Review A. 2015, 92(1), 013812. https://doi.org/10.1103/PhysRevA.92.013812

Kelleher, J.D., Mac Namee, B., D'arcy, A. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies: The MIT Press, 2020.

Descargas

Publicado

30-11-2022

Cómo citar

Medina-Ángel, G., & Burlak, G. (2022). Eficiencia de una red neuronal para detectar la transición de fase en sistemas 2D con percolación. Programación matemática Y Software, 14(3), 1–9. https://doi.org/10.30973/progmat/2022.14.3/1

Número

Sección

Artículos

Artículos más leídos del mismo autor/a

1 2 > >>