Mostrar el registro sencillo del ítem
dc.contributor.author
Corte, Inés Raquel
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Acevedo, Santiago Daniel
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Arlego, Marcelo José Fabián
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Lamas, Carlos Alberto
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.date.available
2022-12-14T15:57:06Z
dc.date.issued
2021-08
dc.identifier.citation
Corte, Inés Raquel; Acevedo, Santiago Daniel; Arlego, Marcelo José Fabián; Lamas, Carlos Alberto; Exploring neural network training strategies to determine phase transitions in frustrated magnetic models; Elsevier Science; Computational Materials Science; 198; 110702; 8-2021; 1-10
dc.identifier.issn
0927-0256
dc.identifier.uri
http://hdl.handle.net/11336/181162
dc.description.abstract
The transfer learning of a neural network is one of its most outstanding aspects and has given supervised learning with neural networks a prominent place in data science. Here we explore this feature in the context of strongly interacting many-body systems. Through case studies, we test the potential of this deep learning technique to detect phases and their transitions in frustrated spin systems, using fully-connected and convolutional neural networks. In addition, we explore a recently-introduced technique, which is at the middle point of supervised and unsupervised learning. It consists in evaluating the performance of a neural network that has been deliberately “confused” during its training. To properly demonstrate the capability of the “confusion” and transfer learning techniques, we apply them to a paradigmatic model of frustrated magnetism in two dimensions, to determine its phase diagram and compare it with high-performance Monte Carlo simulations.
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
Elsevier Science
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.rights
info:eu-repo/semantics/restrictedAccess
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.subject
FRUSTRATED MAGNETISM
dc.subject
HONEYCOMB LATTICE
dc.subject
ISING MODEL
dc.subject
MACHINE LEARNING
dc.subject
NEURAL NETWORKS
dc.subject
SQUARE LATTICE
dc.subject.classification
Física de los Materiales Condensados
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
Ciencias Físicas
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.title
Exploring neural network training strategies to determine phase transitions in frustrated magnetic models
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2022-09-20T15:47:57Z
dc.journal.volume
198
dc.journal.number
110702
dc.journal.pagination
1-10
dc.journal.pais
Países Bajos
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.description.fil
Fil: Corte, Inés Raquel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.description.fil
Fil: Acevedo, Santiago Daniel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.description.fil
Fil: Arlego, Marcelo José Fabián. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.description.fil
Fil: Lamas, Carlos Alberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.journal.title
Computational Materials Science
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1016/j.commatsci.2021.110702
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://www.sciencedirect.com/science/article/abs/pii/S0927025621004298
Archivos asociados