图神经网络在准一维伊辛系统中预测磁化的方法-计算机科学-深度神经网络-图神经网络-蒙特卡罗方法-伊辛模型.pdfVIP

图神经网络在准一维伊辛系统中预测磁化的方法

V.Slavin

B.VerkinInstituteforLowTemperaturePhysicsand

EngineeringoftheNationalAcademyofSciencesofUkraine,

NaukyAve.,47,Kharkiv,61103,Ukraine

email:slavin@ilt.kharkov.ua

O.Kryvchikov

B.VerkinInstituteforLowTemperaturePhysicsand

EngineeringoftheNationalAcademyofSciencesofUkraine,

NaukyAve.,47,Kharkiv,61103,Ukraine

email:kryvchikov@ilt.kharkov.ua

本

译D.Laptev

中B.VerkinInstituteforLowTemperaturePhysicsand

EngineeringoftheNationalAcademyofSciencesofUkraine,

1

vNaukyAve.,47,Kharkiv,61103,Ukraine

9

0email:laptev@ilt.kharkov.ua

5

7摘要

1.我们提出了一种基于图的深度学习框架，用于预测准一维伊辛自旋系统的磁性特性。晶格几何被编码为一个图，并通

7过图形神经网络（GNN）以及全连接层进行处理。该模型在蒙特卡罗模拟数据上进行了训练，并准确再现了磁化曲线的

0

5关键特征，包括平台、临界转变点和几何挫败的影响。它捕捉到了局部模式和全局对称性，证明了GNN可以直接从结

2构连通性中推断出磁行为。所提出的方法能够高效预测磁化强度，无需额外的蒙特卡罗模拟。

:

vKeywords:伊辛模型，蒙特卡罗方法，图神经网络，深度神经网络。

i

x

r

a

1

I.介绍

图是一种由顶点集和边集定义的数据结构，表示为。近年来，基于图的方法被广

泛应用于分子系统，因为分子可以自然地表示为图。这导致了图神经网络（GNNs）的快速发展，GNNs

是一类设计用于处理图形结构数据的深度神经网络（DNNs）子类。GNNs在各种应用中表现出强大的

1–34–7

性能，包括预测疏水性和毒性等理化性质。

在这项工作中，我们将这种方法扩展到统计物理中的问题，特别是到一类一维伊辛模型。系统的

哈密顿量由以下给出：

(1)