Erklärung der maschinellen Lernlösung des Ising-Modells

Die Hauptaussage dieses Artikels ist, dass die erfolgreiche unüberwachte Identifizierung der Phasen und der Ordnungsparameter durch Hauptkomponentenanalyse darauf hinweist, dass die größte Variation der Magnetisierung pro Spin mit der Temperatur auftritt, dem eigentlichen Kontrollparameter des Phasenübergangs. Außerdem wird gezeigt, dass ein einfaches neuronales Netzwerk ohne versteckte Schichten in der Lage ist, die kritische Temperatur des Ising-Modells zu bestimmen, indem es die Symmetrie des Hamiltonians ausnutzt.