Машинное обучение для распознавания классов универсальности моделей

В работе рассматривается критическое поведение моделей статистической механики: 4-компонентная модель Поттса, Бакстера-Ву, Ашкина-Теллера и модель Тюрбана. Модели имеют разную геометрию решеток и Гамильтонианы, хотя и относятся к одному и тому же классу универсальности. Термодинамические функции этих моделей ведут себя аналогичным образом вблизи критической точки, а эта особенность определяется одинаковыми критическими показателями. В статье [10] предлагается использовать машинное обучение для извлечения универсального поведения для модели Изинга, определенной на треугольной решетке с помощью нейронной сети, обученной на модели Изинга на квадратной решетке. Модели отличаются только геометрией решеток и имеют одинаковый Гамильтониан. Мы распространяем их подход на случай четырех разных моделей в одном классе универсальности. Мы расширим их подход [10] для оценки точности и представим предварительные результаты применения машинного обучения к четырем вышеупомянутым моделям.