Phase Transition Study Meets Machine Learning

首页 > 成果 > 详情

认领

导出

Link by 万方学术期刊

反馈

作者信息关键词期刊信息基础信息归属信息摘要

成果类型：

期刊论文

作者：

Ma, Yu-Gang*;Pang, Long-Gang;Wang, Rui;Zhou, Kai

通讯作者：

Ma, Yu-Gang;Wang, R;Pang, LG;Zhou, K

作者机构：

[Wang, Rui; Ma, Yu-Gang] Fudan Univ, Key Lab Nucl Phys & Ion Beam Applicat MOE, Shanghai 200433, Peoples R China.

[Wang, Rui; Ma, Yu-Gang] Fudan Univ, Inst Modern Phys, Shanghai 200433, Peoples R China.

[Pang, Long-Gang] NSFC, Shanghai Res Ctr Theoret Nucl Phys, Shanghai 200438, Peoples R China.

[Wang, Rui] Fudan Univ, Shanghai 200438, Peoples R China.

[Pang, Long-Gang] Cent China Normal Univ, Inst Particle Phys, Wuhan 430079, Peoples R China.

通讯机构：

[Wang, R ; Ma, YG; Zhou, K ] F

[Pang, LG ] N

Fudan Univ, Key Lab Nucl Phys & Ion Beam Applicat MOE, Shanghai 200433, Peoples R China.

Fudan Univ, Inst Modern Phys, Shanghai 200433, Peoples R China.

NSFC, Shanghai Res Ctr Theoret Nucl Phys, Shanghai 200438, Peoples R China.

语种：

英文

期刊：

中国物理快报：英文版

ISSN：

0256-307X

年：

2023

卷：

期：

页码：

122101

DOI：

10.1088/0256-307X/40/12/122101

基金类别：

National Natural Science Foundation of China [11890710, 11890714, 12147101]; BMBF [05D23RI1]

机构署名：

本校为通讯机构

院系归属：

物理科学与技术学院

摘要：

In recent years, machine learning (ML) techniques have emerged as powerful tools for studying many-body complex systems, and encompassing phase transitions in various domains of physics. This mini review provides a concise yet comprehensive examination of the advancements achieved in applying ML to investigate phase transitions, with a primary focus on t...

反馈

产权有误：本人成果被他人认领

数据有误：数据基本信息有误

归属有误：成果的院系归属、机构署名归属有误

其他原因：

验证码：

看不清楚，换一个

确定

取消

成果认领

标题：

用户	作者	通讯作者	--
	请选择	请选择	--

确定

取消

Phase Transition Study Meets Machine Learning

反馈

成果认领

提示

该栏目需要登录且有访问权限才可以访问