Machine learning approaches to the QCD transition
- We study the high temperature transition in pure SU(3) gauge theory and in full QCD with 3D-convolutional neural networks trained as parts of either unsupervised or semi-supervised learning problems. Pure gauge configurations are obtained with the MILC public code and full QCD are from simulations of Nf=2+1+1 Wilson fermions at maximal twist. We discuss the capability of different approaches to identify different phases using as input the configurations of Polyakov loops. To better expose fluctuations, a standardized version of Polyakov loops is also considered.
Volltext Dateien herunterladen
Weitere Dienste
| Verfasserangaben: | Andrea PalermoORCiD, Lucio AnderliniORCiDGND, Maria Paola LombardoORCiDGND, Andrey KotovORCiD |
|---|---|
| URN: | urn:nbn:de:hebis:30:3-705976 |
| DOI: | https://doi.org/10.48550/arXiv.2111.05216 |
| ArXiv-Id: | http://arxiv.org/abs/2111.05216 |
| Dokumentart: | Konferenzveröffentlichung |
| Sprache: | Englisch |
| Datum der Veröffentlichung (online): | 07.04.2022 |
| Datum der Erstveröffentlichung: | 07.04.2022 |
| Veröffentlichende Institution: | Universitätsbibliothek Johann Christian Senckenberg |
| Beteiligte Körperschaft: | International Symposium on Lattice Field Theory (38. : 2021 : Online) |
| Datum der Freischaltung: | 24.01.2023 |
| Seitenzahl: | 7 |
| HeBIS-PPN: | 504852817 |
| Institute: | Physik / Physik |
| DDC-Klassifikation: | 5 Naturwissenschaften und Mathematik / 53 Physik / 530 Physik |
| Sammlungen: | Universitätspublikationen |
| Lizenz (Deutsch): |  Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International |
