Aprendizado não supervisionado em sistemas de spins

• Autor(a) principal: Duarte, Pedro Henrique Mendes
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/256617
• topic: Método de Monte Carlo; Modelo de ising; Modelo de Potts; Aprendizado não supervisionado; Análise de componente principal; Monte Carlo; Ising Model; Potts Model; Unsupervised learning; Principal component analysis; Clusterization

Neste trabalho utilizamos algoritmos de aprendizado não supervisionado, uma classe de aprendizado de máquina, no estudo dos modelos de Ising e Potts. Iniciamos o estudo com o modelo de Ising, que possui uma vasta literatura, para familiarização dos conceitos envolvidos. Os resultados da simulação são condizentes com os encontrados na bibliografia e a aplicação das técnicas de aprendizado não supervisionado encontraram resultados similares aos obtidos por ferramentas já difundidas. As técnicas de aprendizado não supervisionado utilizados reduziram a dimensão dos dados, encontraram a região onde ocorre a transição de fase e identificaram comportamentos do sistema reduzido. As ferramentas também forneceram concepções sobre o parâmetro de ordem do modelo de Ising. Na aplicação ao modelo de Potts também foram reduzidas as dimensões dos sistemas e identificadas as regiões críticas, que variam para cada q-estados. Foram definidos parâmetros de ordem no espaço dos dados reduzidos que possuem características dos já conhecidos. Uma análise relativa ao tamanho da rede foi realizada e os parâmetros definidos possuem semelhança aos definidos na literatura. Em ambos modelos foi possível identificar correlações que não seriam facilmente identificadas com a grande quantidade de dados originais.