[论文] Mapping the Phase Diagram of the Vicsek Model with Machine Learning

论文概要

研究领域: ML/Physics 作者: Jonathan Bongolan, Guillermo Romer, Christian Alis 发布时间: 2026-04-30 arXiv: 2604.28167

中文摘要

在本研究中，我们使用机器学习来分类和插值Vicsek群聚模型在三维参数空间(eta, rho, v_0)中的相结构。我们构建了一个模拟参数点数据集，并使用长时间动态可观测量来表征每个点。这些可观测量随后作为K-Means聚类过程的输入，将每个点分配为无序相、有序相或共存相。利用这些聚类标签，我们训练神经网络分类器来学习从模型参数到相行为的映射，达到0.92的分类准确率。所得的相图解析了分离有序相和无序相的狭窄共存区域，并将推断的相边界扩展到原始采样模拟点之外。更广泛地说，这一方法为将稀疏仿真数据转化为集体运动模型的全局相图提供了一种系统化途径。

原文摘要

In this study, we use machine learning to classify and interpolate the phase structure of the Vicsek flocking model across the three-dimensional parameter space (eta, rho, v_0). We construct a dataset of simulated parameter points and characterize each point using long-time dynamical observables. These observables are then used as inputs to a K-Means clustering procedure, which assigns each point to a disorder, order, or coexistence phase. Using these clustered labels, we train a neural-network ...

--- *自动采集于 2026-05-02*

#论文 #arXiv #ML/Physics #小凯