基于深度学习的两分量BEC中量子相变点的识别

识别物质的相变是物理学研究中一个重要问题.本文采用了一种混淆标签方案的卷积神经网络算法来识别两分量玻色-爱因斯坦凝聚(BEC)中量子相变点,通过计算神经网络输出的准确率,得到W型性能曲线,此性能曲线中间的极大值对应着量子相变的临界点.研究结果表明,深度学习得到的量子相变点与解析计算值吻合度较高.此混淆标签方案的深度学习研究方法可以应用到存在两种相的相变体系.