In fisica, molto spesso, si ha a che fare con dati ad alta dimensionalità, per esempio relativi alle coordinate di un sistema atomico o allo spazio delle configurazioni di un sistema di spin. In questi casi, tecniche recentemente introdotte di unsupervised machine learning costituiscono un prezioso aiuto per identificare le cosiddette variabili latenti di un sistema, ossia un ridotto numero di quantità che racchiudono le caratteristiche fondamentali del sistema stesso. Questa riduzione dimensionale si può ottenere con i variational autoencoders (VAE) una particolare forma di rete neurale che cerca di apprendere la distribuzione di probabilità dei dati disponibili. Il lavoro di questa tesi consiste nella costruzione di un VAE per identificare in un modello meccanico statistico una o più variabili latenti che si comportino come parametro d'ordine del sistema. Si cercherà, quindi, di caratterizzare la transizione di fase di questo sistema, allenando un VAE su un dataset opportunamente simulato tramite un codice Monte Carlo

Utilizzo di autoencoders variazionali per l'identificazione di parametri d'ordine in meccanica statistica

Boni, Filippo
2021/2022

Abstract

In fisica, molto spesso, si ha a che fare con dati ad alta dimensionalità, per esempio relativi alle coordinate di un sistema atomico o allo spazio delle configurazioni di un sistema di spin. In questi casi, tecniche recentemente introdotte di unsupervised machine learning costituiscono un prezioso aiuto per identificare le cosiddette variabili latenti di un sistema, ossia un ridotto numero di quantità che racchiudono le caratteristiche fondamentali del sistema stesso. Questa riduzione dimensionale si può ottenere con i variational autoencoders (VAE) una particolare forma di rete neurale che cerca di apprendere la distribuzione di probabilità dei dati disponibili. Il lavoro di questa tesi consiste nella costruzione di un VAE per identificare in un modello meccanico statistico una o più variabili latenti che si comportino come parametro d'ordine del sistema. Si cercherà, quindi, di caratterizzare la transizione di fase di questo sistema, allenando un VAE su un dataset opportunamente simulato tramite un codice Monte Carlo
2021-09
Autoencoders, Variazionali, Parametro d'ordine
File in questo prodotto:
File Dimensione Formato  
Boni_Filippo_tesi.pdf

accesso aperto

Dimensione 3.71 MB
Formato Adobe PDF
3.71 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/21744