Ook in de statistische fysica is machine learning aan een grote opmars begonnen. Voor zowel klassieke als kwantummechanische spin-systemen, slagen machine learning algoritmes erin om fasetransities te detecteren (een overzicht kan HIER gevonden worden). Machine learning technieken zijn vooral interessant wanneer de klassieke fysische methoden falen (zoals bij de afwezigheid van een relevante ordeparameter). Unsupervised methoden -- zoals PCA en t-SNE -- waarbij de onderverdeling van een dataset in de fysisch correcte fases niet wordt opgelegd, zijn toepasbaar voor het aftasten van de relevante regio's in het fasediagram. Verder zijn diepe neurale netwerken hiervoor ook uiterst geschikt, omdat de symmetrieën in spin-systemen hierbij in rekening gebracht kunnen worden. Dit wordt bijvoorbeeld toegepast bij ``learning by confusion'' (ZIE BIJVOORBEELD HIER) . Een grote uitdaging bij de toepassing van machine learning algoritmes in de statistische fysica ligt in het begrijpen van de classificatie die de machine leert. De onderstaande thesisonderwerpen zijn ideaal om kennis te verwerven in state-of-the-art toepassingen van machine learning, die momenteel zeer waardevol zijn in allerhande situaties. De thesissen zijn gericht naar studenten met een grote interesse in numerieke methoden (computationele fysica) en fasetransities (statistische fysica).
Het XY-model is een veralgemening van het Ising model, waarbij de spins een continue oriëntatie kunnen aannemen. Wegens het Mermin-Wagner theorema (ZIE HIER) ), kan in de 2D-versie van dit model geen spontane magnetizatie optreden. In plaats hiervan, is er een transitie tussen gebonden vortex-antivortex paren bij lage temperaturen naar ongepaarde vortices en anti-vortices. Dit is een Kosterlitz–Thouless transitie, waarvan de ontdekking instrumentaal was voor de Nobelprijs van 2016. Unsupervised learning algoritmes toepassen op de spinconfiguraties van het XY-model, leidt echter tot een classificatie op basis van de magnetizatie van het systeem (die verdwijnt in de thermodynamische limiet) in plaats van het detecteren van vortices (ZIE HIER) .
Dit thesisonderwerp heeft als doel het ontwerpen van een algoritme dat deze topologische eigenschappen kan detecteren, alsook ze kan visualiseren.
Een van de doelen van machine learning is het vinden van
probabiliteitsdistributies voor bepaalde data sets. Hierbij maakt men
gebruik van modellen zoals neurale netwerken die de onderliggende
probabiliteitsdistributie van deze data sets kunnen benaderen. Op deze
manier kan men, eenmaal men deze distributie heeft gevonden,
artificiële datapunten genereren en uit de representatie van de
modellen leren wat de belangrijke eigenschappen van de dataset
zijn. Deze werkmethode kan ook op fysische systemen worden
toegepast. Aangezien data kan gegenereerd worden via Monte Carlo
technieken, kunnen de methodes ontwikkeld in de machine learning
direct gebruikt worden op deze fysische modellen.
Verschillende methodes zijn beschikbaar in de literatuur. Twee
noemenswaardige zijn restricted Boltzmann machines (RBMs) en
Generative adversarial networks (GANs). Onlangs zijn deze beide
methodes toegepast op het Ising
systeem (ZIE HIER voor RBMs en
ZIE HIER voor GANs). In de voorgestelde thesis zou
het de bedoeling zijn om een stap verder te gaan en het XY-model te
modelleren met één van deze technieken. Wat het XY-model speciaal
maakt zijn de topologische eigenschappen (vorticiteit) die aanwezig
zijn in de vrijheidsgraden van het systeem.
The quantum many-body problem suffers from the curse of
dimensionality. This means that the dimension of the Hilbert space
scales exponentially with the system size. This makes quantum
mechanical problems hard to solve. Indeed, finding the relevant
physical many-body state amounts to searching for one specific point
in the entire space. Over the years, powerful techniques to restrict
this space have been developed. Using concepts such as locality and
translational invariance, one can identify the relevant corner of the
Hilbert space. Nevertheless, it is a highly non-trivial problem to
find the exact relevant points in the Hilbert space. Variational
many-body wave functions, constructed to obey these physical
restrictions, are promissing candidates to describe the relevant corner
of the Hilbert space.
Recently, a new class of variational wave functions has been
introduced (see (LINK TO PAPER). These wave
functions are introduced as modifications of neural networks; complex
functions developed to perform machine learning tasks. Many of those
exhibit the previously mentioned characteristics found in many-body
physics. Because these classes of wave functions have only been
recently proposed, it is presently unknown how well they perform and
what their characteristics are. Nevertheless, the results obtained so
far are very promissing.
There are a lot of possibilities for a thesis in this
subject. Examples include: (i) searches for methods to study the excited states
of the quantum many-body system; (ii) investigations of new network
architectures; (iii) applications of the methodology to other spin
quantum systems. In the forthcoming we mention two possible MSc thesis subjects.