Resumo: Nós aplicamos um conjunto de técnicas de aprendizado de máquina para a exploração global de diagramas de fase de dois modelos de Ising frustrados com competição entre interações. Baseado em configurações puras geradas por Monte Carlo com parametros aleatórios do sistema nós aplicamos Análise de componente principal (PCA) e auto-encoders para atingir redução de dimensionalidade, seguido de clusterização utilizando o método DBSCAN e uma máquina de vetores suporte como classificador para gerar as linhas de transição entre as fases distintas em ambos os modelos. Os resultados concordam com soluções analíticas disponíveis, com o autoencoder levando a melhores estimativas quantitativas, mesmo para um conjunto de dados consistindo de apens 1400 configurações de spin. Além disso, os resultados sugerem a existência de uma relação entre a estrutura do espaço latente otimizado do auto-encoder e características físicas dos sistemas. Isso indica que a abordagem utilizada pode ser útil para descobrir propriedades fundamentais do sistema em contextos em que entendimento teórico se enontra indisponível
Resumo: Nós aplicamos um conjunto de técnicas de aprendizado de máquina para a exploração global de diagramas de fase de dois modelos de Ising frustrados com competição entre interações. Baseado em configurações puras geradas por Monte Carlo com parametros aleatórios do sistema nós aplicamos Análise de componente principal (PCA) e auto-encoders para atingir redução de dimensionalidade, seguido de clusterização utilizando o método DBSCAN e uma máquina de vetores suporte como classificador para gerar as linhas de transição entre as fases distintas em ambos os modelos. Os resultados concordam com soluções analíticas disponíveis, com o autoencoder levando a melhores estimativas quantitativas, mesmo para um conjunto de dados consistindo de apens 1400 configurações de spin. Além disso, os resultados sugerem a existência de uma relação entre a estrutura do espaço latente otimizado do auto-encoder e características físicas dos sistemas. Isso indica que a abordagem utilizada pode ser útil para descobrir propriedades fundamentais do sistema em contextos em que entendimento teórico se enontra indisponível
Este trabalho investiga o uso de métodos de aprendizado de máquina, tanto supervisionado quanto não supervisionado (Análise de Componentes Principais), para o estudo de fases magnéticas em simulações de modelos do tipo Ising. Uma rede neural foi treinada para determinar a probabilidade de uma configuração de spins, em uma rede quadrada de dimensão LxL, estar em uma fase paramagnética ou ferromagnética, visando identificar a temperatura crítica de transição entre essas fases. Gerando dados de treinamento e teste via método de Monte Carlo em uma rede a duas temperaturas distintas, o método supervisionado foi aplicado inicialmente, onde os resultados indicaram um ponto de cruzamento nas curvas de probabilidade das fases, evidenciando um comportamento quase simétrico entre as fases em relação à temperatura e determinando a temperatura crítica nesse ponto de cruzamento. Posteriormente, no método de Análise de Componentes Principais, desenvolveu-se o modelo Ising com parâmetro de ordem constante, isto é, a magnetização é constante à medida que a temperatura varia, a rede quadrada de spins foi submetida a Dinâmica de Kawasaki e com isso foi obtido resultados satisfatórios para temperatura crítica. Concluiu-se que o método supervisionado de aprendizado de máquina, que consistiu em treinar uma rede neural a fim de identificar configurações de spins obtidas através de simulações de Monte Carlo do modelo de Ising, demonstrou eficácia na detecção da temperatura crítica do modelo, apresentando resultados ligeiramente superiores ao valor exato de 2.269. Essa discrepância é atribuída ao fato de a temperatura crítica exata ser válida para redes de tamanho infinito, enquanto redes de tamanho finito tendem a exibir uma temperatura crítica ligeiramente mais elevada. Por outro lado, foi utilizado uma ferramenta de aprendizado não supervisionado chamada método PCA (Análise de Componentes Principais) a fim de classificar as diferentes fases e a região de criticidade do Modelo de Ising COP. Este modelo difere do Ising tradicional pois apresenta a magnetização constante para toda temperatura. Portanto, a técnica PCA foi adequada para estudar este modelo, uma vez que não é possível construir um parâmetro de ordem que possa identificar a transição entre a fase ordenada e desordenada. Por conseguinte, os gráficos da distribuição dos dados transformados conseguiram identificar os dados que correspondem a fase ordenada, desordenada e a região de transição ou criticidade.
Dentre as frentes de desenvolvimento de tecnologias quânticas, está a exploração de novos materiais para se obter vantagens operacionais. Um primeiro passo para isso é a investi gação dos diagramas de fases de um modelo simplificado do material. Neste trabalho, aplicamos ferramentas de aprendizado de máquina supervisionado para classificar fases quânticas de três modelos de Hamiltonianos unidimensionais de spin1: a cadeia XXZ com anisotropia de íon único, a cadeia XXZ de ligação alternada e a cadeia bilinear biquadrática. Especificamente, consideramos os classificadores k-Nearest Neighbors e Random Forest, e os treinamos com dados de correlações de spins no estado fundamental de dois modelos de spin1 para classificar as fases do terceiro. Para todos os modelos, nos resultados obtidos para cadeias de 12 spins por diagonalização exata, ambos os métodos mostraram acurácias acima de 50% na classificação de fases presentes no treino. Nossos resultados sugerem que algoritmos de aprendizado de máquina podem ser ferramentas convenientes para construir uma rápida intuição sobre as transições e diagramas de fases de novos modelos.
Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.
Nesta tese são estudadas as transições de fase e as propriedades termodinâmicas do modelo de Ising com variável de spin-1, definido em redes hierárquicas com dimensão d arbitrária. Esses modelos têm sido estudados por diversos métodos e técnicas utilizadas para análise das transições de fase em mecânica estatística e aplicados em muitos sistemas físicos, como para a transição-l para a superfluidez e separação de fases em misturas de ³He–⁴He líquidos, a qual exibe um ponto trícritico. As propriedades críticas e termodinâmicas de modelos de Ising com spin-1, em redes hierárquicas diamante, são investigadas com uma metodologia que combina a técnica do grupo de renormalização de Migdal-Kadanoff com um procedimento exato que possibilita calcular, através de relações de recorrência, o parâmetro de ordem e outras grandezas locais do modelo. Inicialmente, o modelo Blume-Capel ferromagnético foi estudado em detalhes. O diagrama de fases, no espaço de parâmetros temperatura versus campo cristalino, apresenta o fenômeno da reentrância entre as fases ferromagnética e paramagnética onde observa-se uma descontinuidade no parâmetro de ordem e na densidade de spins n₀ no estado S = 0 sobre a linha de transição em baixas temperaturas. Essas descontinuidades se reduzem até se anularem à medida que, sobre a linha de transição, aumentamos a temperatura sinalizando a presença do ponto trícritico. Utilizando as relações de recorrência exatas para as magnetizações e funções de correlação locais, entre hierarquias sucessivas, são calculadas as propriedades locais e globais do modelo incluindo, além dos parâmetros de ordem que descrevem cada fase, grandezas termodinâmicas do modelo. Os expoentes críticos associados ao parâmetro de ordem e ao comprimento de correlação são estimados e apresentam boa concordância com resultados exatos conhecidos na literatura para o modelo de Ising com spin-1/2 nas mesmas redes hierárquicas. Ademais, foi estudada como a magnetização está distribuída ao longo de uma geodésica ligando os sítios externos da rede, em temperaturas e campos cristalinos sobre a linha de transição. A estrutura formada apresenta um espectro multifractal, nas transições de segunda ordem, convergindo para o espectro fractal de um único ponto (monofractal) à medida a temperatura crítica do sistema é reduzida ao longo da linha de transição. As descontinuidades no parâmetro de ordem e na densidade de spins n₀, o comportamento das propriedades termodinâmicas e do espectro multifractal do parâmetro de ordem foram utilizados para delimitar a localização do ponto trícritico sobre a linha de transição. O modelo Blume-Capel desordenado com interações e campos cristalinos competitivos é também estudado. Nesse caso, as interações entre pares de spins e os valores para o campo cristalino local são fixados através de variáveis aleatórias independentes que seguem uma distribuição de probabilidades gaussiana simétrica. Para esse modelo, o procedimento recursivo exato para as grandezas locais entre hierarquias sucessivas é generalizado para incluir a desordem. A temperatura crítica para a transição vidro de spins-paramagnética é calculada através da evolução das distribuições de probabilidades para as interações e campos sob renormalização. Por fim, as propriedades multifractais do parâmetro de ordem de Edwards-Anderson nas vizinhanças da transição são calculadas e discutidas.
Um magneto cuja hamiltoniana descreve o modelo de Ising é formado por uma rede de spins interagentes, no qual o spin de cada sítio interage apenas com seus vizinhos próximos. Tipicamente, magnetos deste modelo apresentam a existência de uma fase anti ou ferromagnética de ordenamento espontâneo para baixas temperaturas e uma fase paramagnética desordenada a altas temperaturas, ambas separadas por uma temperatura crítica. Propriedades termodinâmicas do sistema, como energia média, capacidade térmica e susceptibilidade magnética, assim como a magnetização, dependem da temperatura. É de interesse físico mapear o comportamento destas quantidades com o aumento da temperatura, assim como avaliar seus perfis assintóticos na proximidade da transição de fase. Este trabalho consistiu no desenvolvimento e na descrição de um programa computacional que utiliza métodos estocásticos de Monte Carlo no estudo de antiferromagnetos em aproximantes 2D de Ammann-Beenker para quase cristais, bem como a conceituação dos tópicos necessários de mecânica estatística. Discutiram-se as curvas características e os comportamentos assintóticos de cada quantidade física com relação aos resultados previstos em outra configuração mais simples (rede quadrada) para a qual existem resultados analíticos. Constataram-se a universalidade do modelo de Ising e a validez dos métodos numéricos empregados.
O objetivo deste trabalho é apresentar um método computacional para determinar propriedades físicas de sistemas quânticos de muitos corpos. A abordagem proposta foi um método de Aprendizado de Máquina para lidar com imagens, onde a entrada é o Hamiltoniano do sistema desejado. Nós treinamos uma Rede Neural Convolucional VGG-16 para prever a energia do estado fundamental e o emaranhamento entre pares de partículas, tal como medido pela negatividade, para o Hamiltonianano de um sistema quântico de spins-1/2. Os resultados preveem com boa precisão os valores da energia e o emaranhamento entre pares. Particularmente, podemos reduzir a dimensão do Hamiltoniano antes que ele passe pela rede. O método pode ser generalizado para propriedades físicas arbitrárias