Eficiencia de una red neuronal para detectar la transición de fase en sistemas 2D con percolación
DOI:
https://doi.org/10.30973/progmat/2022.14.3/1Palabras clave:
RN, Transición de fase, bidimensional, percolaciónResumen
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.
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Gustavo Medina-Ángel, Gennadiy Burlak
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
