
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Federal University of Rio Grande Do Norte | - |
| Autor(es): dc.contributor | Universidade Federal de Alagoas | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Canabarro, Askery | - |
| Autor(es): dc.creator | Fanchini, Felipe Fernandes | - |
| Autor(es): dc.creator | Malvezzi, André Luiz | - |
| Autor(es): dc.creator | Pereira, Rodrigo | - |
| Autor(es): dc.creator | Chaves, Rafael | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T23:05:39Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T23:05:39Z | - |
| Data de envio: dc.date.issued | 2022-04-30 | - |
| Data de envio: dc.date.issued | 2022-04-30 | - |
| Data de envio: dc.date.issued | 2019-07-22 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1103/PhysRevB.100.045129 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/232898 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/232898 | - |
| Descrição: dc.description | The classification of phase transitions is a central and challenging task in condensed matter physics. Typically, it relies on the identification of order parameters and the analysis of singularities in the free energy and its derivatives. Here, we propose an alternative framework to identify quantum phase transitions, employing both unsupervised and supervised machine learning techniques. Using the axial next-nearest-neighbor Ising (ANNNI) model as a benchmark, we show how unsupervised learning can detect three phases (ferromagnetic, paramagnetic, and a cluster of the antiphase with the floating phase) as well as two distinct regions within the paramagnetic phase. Employing supervised learning we show that transfer learning becomes possible: a machine trained only with nearest-neighbor interactions can learn to identify a new type of phase occurring when next-nearest-neighbor interactions are introduced. All our results rely on few- and low-dimensional input data (up to twelve lattice sites), thus providing a computational friendly and general framework for the study of phase transitions in many-body systems. | - |
| Descrição: dc.description | International Institute of Physics Federal University of Rio Grande Do Norte | - |
| Descrição: dc.description | Grupo de Física da Matéria Condensada Núcleo de Ciências Exatas NCEx Campus Arapiraca Universidade Federal de Alagoas | - |
| Descrição: dc.description | Faculdade de Ciências Universidade Estadual Paulista | - |
| Descrição: dc.description | Departamento de Física Teórica e Experimental Federal University of Rio Grande Do Norte | - |
| Descrição: dc.description | School of Science and Technology Federal University of Rio Grande Do Norte | - |
| Descrição: dc.description | Faculdade de Ciências Universidade Estadual Paulista | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Physical Review B | - |
| ???dc.source???: dc.source | Scopus | - |
| Título: dc.title | Unveiling phase transitions with machine learning | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: