Siamese神经网络预测3D渗流模型中的临界现象

研究人员开发了一种新颖的Siamese神经网络（SNN），旨在用于3D渗流模型中标签高效的临界现象预测。该框架使用最少的标记数据即可准确识别相变和临界指数，甚至无需重新训练即可泛化到不同的晶格结构。SNN能够自主学习量化团簇大小，证明了其在显式序参数未定义的稀疏数据环境中进行临界性检测的潜力。 AI

影响 这项研究展示了一种将机器学习应用于复杂科学问题的新颖方法，有可能加速统计物理学等领域的发现。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种针对特定科学问题的新机器学习模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• 3D percolation models
• arXiv
• bond percolation
• face-centered cubic lattices
• machine learning
• percolation theory
• Shanshan Wang
• Siamese Neural Network
• simple cubic lattices
• site percolation
• statistical physics

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →