| Наименование РИД |
Программа для генерации наборов данных для исследования двумерных спиновых структур
|
| Реферат |
Назначение — формирование многотемпературных (multi-T) выборок конфигураций спинов для различных двумерных геометрий: квадратной, треугольной, гексагональной (honeycomb, две подрешётки) и композиционной геометрии Apamea. Алгоритм — кластерный Свендсена—Ванга (ферромагнитный J>0) с периодическими граничными условиями. Программа сохраняет массивы конфигураций и соответствующие метки температур в форматах .npz/.npy и поддерживает как классический режим (индивидуальный прогрев/измерение на каждый сэмпл), так и «цепочечный» режим (общий прогрев на цепочку и thinning между сэмплами) для разреженных графов степени ≤3.
Область применения: научные исследования статистической физики, машинное обучение по физическим данным, анализ критических явлений и фазовых переходов в 2D-моделях.Функциональные возможности
Режимы:
legacy: per-sample warmup_sweeps + meas_sweeps (везде);
chain (deg≤3): один прогрев warmup_once на цепочку, разрежение thin_low/high с учётом Tc и окна tc_window.
Геометрии:
square (z=4): специализированный SW-свип по сетке;
triangular (z=6): плотные списки соседей (N,6) + обратные индексы;
honeycomb (z=3): явная конструкция двуподрешёточного графа (N,3);
apamea (deg≤3): авто-NN-граф на плитке из 20 опорных точек с PBC и порогом по медианной связи (--rel_tol).
Вывод: один .npz на размер с датой/тегом + отдельный список температур .npy.
|
| Возможные направления использования |
Программа может использоваться в исследованиях статистической физики для генерации многотемпературных выборок конфигураций спинов на различных двумерных решётках, что позволяет изучать фазовые переходы, критические явления и влияние геометрии на магнитное поведение моделей. Благодаря кластерному алгоритму Свендсена—Ванга и поддержке как классического, так и цепочечного режимов она подходит для моделирования как регулярных, так и разреженных графов, включая композиционную геометрию Apamea. Сгенерированные конфигурации в форматах .npz/.npy можно использовать для последующего анализа термодинамических величин, проверки эргодичности, оценки автокорреляционных времён и сравнения эффективности различных MCMC-подходов. Кроме того, многотемпературные массивы данных являются удобной основой для задач машинного обучения, таких как обучение моделей распознавания фаз, регрессии параметров системы или разработки генеративных моделей, работающих с физическими конфигурациями.
|
| Количество опытных образцов |
1
|
| Количество просмотров |
3
|
| Наличие дополнительных файлов |
False
|
| Использование РИД правообладателем |
False
|
| Внешнее использование РИД |
False
|
| НИОКТР (JSON) |
{}
|
| ИКСИ (JSON) |
[]
|
| ИКСПО (JSON) |
[]
|
| ОЭСР (JSON) |
[]
|
| Дата первого статуса |
2025-12-02T05:32:23.612965+00:00
|
| Предполагаемый тип результата |
Программа для ЭВМ
|
| Ожидаемая роль |
Исполнитель
|
| Заказчик |
Российский научный фонд
|
| Руководитель работы |
Солдатов Константин Сергеевич
|
| Руководитель организации |
Гончарова Светлана Николаевна
|
| Регистрационный номер НИОКТР |
125021902489-3
|
| Последний статус |
Подтверждена, 625121800268-9, 2025-12-18 13:26:50 UTC
|
| ОКПД |
Работы оригинальные научных исследований и экспериментальных разработок в области естественных и технических наук, кроме биотехнологии
|
| Ключевые слова |
МАШИННОЕ ОБУЧЕНИЕ; ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ; СПИНОВОЕ СТЕКЛО; ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ; МОДЕЛЬ ИЗИНГА; ФАЗОВЫЙ ПЕРЕХОД; АНАЛИЗ БОЛЬШИХ ДАННЫХ
|
| Исполнители |
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ"
|
| Авторы |
Стронгин Владислав Сергеевич; Овчинников Павел Алексеевич; Солдатов Константин Сергеевич
|
| Коды тематических рубрик |
27.35.49 - Математические модели статистической физики и термодинамики
|
| OESR |
Компьютерные, информационные науки и биоинформатика (разработка аппаратного обеспечения относится к разделу 2.2, социальный аспект относится к разделу 5.8)
|
| Приоритеты научно-технического развития |
а) переход к передовым технологиям проектирования и создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений, роботизированных и высокопроизводительных вычислительных систем, новых материалов и химических соединений, результатов обработки больших объемов данных, технологий машинного обучения и искусственного интеллекта;
|
