Ising模型(伊辛模型)是一个最简单且能够提供非常丰富的物理内容的模型。可用于描写叙述非常多物理现象,如:合金中的有序-无序转变、液氦到超流态的转变、液体的冻结与蒸发、玻璃物质的性质、森林火灾、城市交通等。Ising模型的提出最初是为了解释铁磁物质的相变,即磁铁在加热到一定临界温度以上会出现磁性消失的现象,而降温到临界温度下面又会表现出磁性。这样的有磁性、无磁性两相之间的转变。是一种连续相变(也叫二级相变)。Ising模型如果铁磁物质是由一堆规则排列的小磁针构成,每一个磁针仅仅有上下两个方向(自旋)。相邻的小磁针之间通过能量约束发生相互作用。同一时候又会因为环境热噪声的干扰而发生磁性的随机转变(上变为下或反之)。涨落的大小由关键的温度參数决定。温度越高,随机涨落干扰越强。小磁针越easy发生无序而剧烈地状态转变。从而让上下两个方向的磁性相互抵消,整个系统消失磁性。如果温度非常低,则小磁针相对宁静,系统处于能量约束高的状态,大量的小磁针方向一致,铁磁系统展现出磁性。

科学家对该模型的广泛兴趣还源于它是描写叙述相互作用的粒子(或者自旋)最简单的模型。Ising模型是一个很easy的模型,在一维、二维、三维的每一个格点上占领一个自旋。

自旋是电子的一个内部性质。每一个自旋在空间有两个量化方向。即其指向能够向上或者向下。虽然该模型是一个最简单的物理模型。眼下仅有一维和二维的精确解。

考虑一维Ising模型。M个自旋排成一排,每一个自旋与其左右两个近期邻的自旋之间有相互作用。简单起见,我们仅仅考虑倾向于使近邻自旋的方向一致的相互作用。二维正方Ising模型就是由N个同样的自旋排。每一个自旋不但与其左右两个近期邻的自旋相互作用,并且与前后相邻的自旋排中两个近期邻的自旋相互作用,project了 一个二维的自旋阵列。

三维立方Ising模型就是有L个同样的二维自旋阵列,每一个自旋与其左右、前后、上下六个近期邻的自旋相互作用。不难发现。随着维度的添加。每一个自旋的近期邻自旋树木添加。与周围自旋的相互作用也在增强。

可是,系统的演化并不全然由总能量决定。因为小磁针处于噪声环境中,热涨落又会引起小磁针的状态随机反转。

我们能够用温度来衡量这样的环境影响的随机性。T越高,则小磁针发生反转的概率就会越大。

这样,有两种力作用在小磁针上,一种力来源于小磁针邻居以及外场对它的影响,这样的影响倾向于使得相邻的邻居彼此状态一致以及与外场尽量一致。即尽量使得系统的总能量达到最小。第二种力则来源于环境噪声的扰动。它迫使小磁针无视邻居的作用而发生随机的状态反转。

于是。每一个小磁针就挣扎于这两种不同的力量之间。不难想象。假如温度T趋于0,则每一个小磁针都会与外场相一致。那么。终于系统将处于全是+1或者全是-1的状态(取决于外场H是正还是负)。

假如T特别高,而相互作用强度J特别小,则邻居间的作用能够忽略,每一个小磁针都全然随机地取值。

这样,整个ISING模型就有两个外生给定的參数来表示环境的温度和磁场强度。

在村民的比喻中,温度相当于村民进行观点选择的自由程度。温度越高,村民选择观点越随机,而不受自己周围邻居的影响;否则村民的选择严重依赖于邻居和媒体宣传。

Ising模型(伊辛模型)的更多相关文章

  1. 能量模型与softmax和RBM以及正态分布的关联

    上面一篇文章中探讨了玻尔兹曼分布的起源: 在不清楚目标的真实分布,也不知道样本分布的时候,假设任意输入与输出组合都是同样可能发生的,这样是最公平,最无偏的先验. 因为无法直接统计出给定任意一种输入x, ...

  2. 利用Caffe做回归(regression)

    Caffe应该是目前深度学习领域应用最广泛的几大框架之一了,尤其是视觉领域.绝大多数用Caffe的人,应该用的都是基于分类的网络,但有的时候也许会有基于回归的视觉应用的需要,查了一下Caffe官网,还 ...

  3. 用caffe给图像的混乱程度打分

    Caffe应该是目前深度学习领域应用最广泛的几大框架之一了,尤其是视觉领域.绝大多数用Caffe的人,应该用的都是基于分类的网络,但有的时候也许会有基于回归的视觉应用的需要,查了一下Caffe官网,还 ...

  4. 浅析 Hinton 最近提出的 Capsule 计划

    [原文]    浅析 Hinton 最近提出的 Capsule 计划     关于最新的 Hinton 的论文 Dynamic Routing Between Capsules,参见 https:// ...

  5. Hinton“深度学习之父”和“神经网络先驱”,新论文Capsule将推翻自己积累了30年的学术成果时

    Hinton“深度学习之父”和“神经网络先驱”,新论文Capsule将推翻自己积累了30年的学术成果时 在论文中,Capsule被Hinton大神定义为这样一组神经元:其活动向量所表示的是特定实体类型 ...

  6. 预见未来丨机器学习:未来十年研究热点 量子机器学习(Quantum ML) 量子计算机利用量子相干和量子纠缠等效应来处理信息

    微软研究院AI头条 https://mp.weixin.qq.com/s/SAz5eiSOLhsdz7nlSJ1xdA 预见未来丨机器学习:未来十年研究热点 机器学习组 微软研究院AI头条 昨天 编者 ...

  7. Training spiking neural networks for reinforcement learning

    郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布! 原文链接:https://arxiv.org/pdf/2005.05941.pdf Contents: Abstract Introduc ...

  8. 机器学习&数据挖掘笔记_20(PGM练习四:图模型的精确推理)

    前言: 这次实验完成的是图模型的精确推理.exact inference分为2种,求边缘概率和求MAP,分别对应sum-product和max-sum算法.这次实验涉及到的知识点很多,不仅需要熟悉图模 ...

  9. 用 Python 通过马尔可夫随机场(MRF)与 Ising Model 进行二值图降噪

    前言 这个降噪的模型来自 Christopher M. Bishop 的 Pattern Recognition And Machine Learning (就是神书 PRML……),问题是如何对一个 ...

随机推荐

  1. vlan 以及 Linux实现的IEEE 802.1Q VLAN

    vlan 以及 Linux实现的IEEE 802.1Q VLAN Vlan的概念 VLAN技术介绍 VLANVLAN概述 以太网是一种基于CSMA/CD(Carrier Sense Multiple ...

  2. [ffmpeg 扩展第三方库编译系列] 关于须要用到cmake 创建 mingw32编译环境问题

    我在这里给出我编译的样例 cmake -G"MinGW Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=& ...

  3. 为Delphi程序增加UAC功能(每个步骤都很详细)

    相关资料:http://bbs.csdn.net/topics/320071356# 操作方法: 在Source\VCL目录下应该有这样两个文件sample.manifest和WindowsXP.rc ...

  4. 常用的JQuery数字类型验证正则表达式

    var regexEnum = {  intege:"^-?[1-9]//d*$",     //整数  intege1:"^[1-9]//d*$",     ...

  5. YUV格式具体解释

    YUV是指亮度參量和色度參量分开表示的像素格式,而这样分开的优点就是不但能够避免相互干扰,还能够减少色度的採样率而不会对图像质量影响太大.YUV是一个比較笼统地说法,针对它的详细排列方式,能够分为非常 ...

  6. Linux SSH常用总结(转)

    一.连接到远程主机 格式: ssh name@remoteserver 例如: ssh ickes@192.168.27.211 二.连接到远程主机指定的端口 格式: ssh name@remotes ...

  7. Android常用开源项目

    Android开源项目第一篇——个性化控件(View)篇   包括ListView.ActionBar.Menu.ViewPager.Gallery.GridView.ImageView.Progre ...

  8. python语言学习9——使用list和tuple

    list Python内置的一种数据类型是列表:list.list是一种有序的集合,可以随时添加和删除其中的元素. 位置 用索引来访问list中每一个位置的元素,记得索引是从0开始的,到 len-1结 ...

  9. Gnu Linux下文件的字符编码及转换工具

    /*********************************************************************  * Author  : Samson  * Date   ...

  10. js快速分享代码

    这是一款简单易用的文章分享工具,您只需将下面的html代码拷贝到模板中就可以实现文章快速分享功能.如果您想分享你的博客.个人网站或者企业网站等等,下面是两款不错的分享工具,值得拥有! 1. <d ...