ИСТИНА

В последнее время растет популярность искусственных нейронных сетей (НС) как инструмента научных исследований, связанных с классификацией, идентификацией, оптимизацией и прогнозированием. Самым важным свойством НС является их способность обучаться на основе данных окружающей среды и в результате обучения повышать свою производительность. Одним из популярных видов НС является машина Больцмана, которая является стохастическим вариантом сети Хопфилда. Возможности обучения машины Больцмана могут быть ограничены на практике, но эту проблему можно решить при помощи ограниченной машины Больцмана (ОМБ), в архитектуре которой связи существуют только между скрытыми и видимыми нейронами, но при этом отсутствуют между нейронами одного класса. Архитектура ОМБ позволяет применить при обучении сети метод градиентного спуска с контрастивной дивергенцией (КД), алгоритм которой использует семплирование по Гиббсу. Недавно НС были использованы для определения фаз с традиционными и нетрадиционными параметрами порядка, а также определения точек фазовых переходов с высокой точностью. В связи с этим актуальным является вопрос о том, можно ли применить НС для других сложных проблем, таких, как, например, воспроизведение статистико-механических распределений классических гамильтонианов в обучении без учителя. Цель данной работы заключалась в исследовании возможности описания ближнего порядка с помощью ОМБ. В бинарном сплаве (состоящем из атомов двух типов: А и В) атому данного сорта может быть энергетически выгодно находиться в окружении атомов другого, так в системе возникает ближний порядок за счет короткодействующих сил взаимодействия между атомами. Для описания межатомных взаимодействий в бинарном сплаве можно использовать аппарат модели Изинга.