{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3228416"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3228416","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη της κρίσιμης συμπεριφοράς σε μοντέλα spin με μηχανές Boltzmann","abstract":"Τις τελευταίες δεκαετίες, η μηχανική μάθηση και συγκεκριμένα τα νευρωνικά δίκτυα, αποτέλεσαν ένα ισχυρό εργαλείο μελέτης και επίλυσης προβλημάτων σε πολλούς επιστημονικούς τομείς. Παρά την επιτυχία τους σε πρακτικό επίπεδο, ελάχιστα πράγματα είναι γνωστά ως προς την θεωρητική τους μελέτη. Πρόσφατες ωστόσο εφαρμογές στο πεδίο της στατιστικής μηχανικής και της φυσική στερεάς κατάστασης, ανέδειξαν σημαντικές ομοιότητες μεταξύ του τρόπου λειτουργίας τους και των κρίσιμων φαινομένων. Στη παρούσα εργασία, εστιάζουμε ακριβώς σε αυτή η σύνδεση για την περίπτωση του μοντέλου Ising, χρησιμοποιώντας τα νευρωνικά δίκτυα Restricted Boltzmann (RBM). Στο πρώτο μέρος, αναλύουμε τη θερμοδυναμική συμπεριφορά του μοντέλου μέσω προσομοιώσεων Monte Carlo βασισμένες στον αλγόριθμο του Metropolis. Από τις καταστάσεις spin που προέκυψαν υπολογίσαμε τους κρίσιμους εκθέτες και τη θερμοκρασία αλλαγής φάσης μέσω τεχνικών βάθμισης πεπερασμένου μεγέθους. Στο δεύτερο μέρος, εκπαιδεύσαμε μηχανές Boltzmann τις οποίες και χρησιμοποιήσαμε για να μελετήσουμε τις συνέπειες διαδοχικών ανακατασκευών των παραπάνω καταστάσεων (ροή RBM). Υπολογίζοντας θερμοδυναμικές ποσότητες του συστήματος, όπως την κατανομή μαγνήτης, συμπεράναμε ότι εκπαιδεύοντας κατάλληλα τις μηχανές, η παραπάνω ροή συγκλίνει στην κρίσιμη περιοχή.","abstract_html":"Τις τελευταίες δεκαετίες, η μηχανική μάθηση και συγκεκριμένα τα νευρωνικά δίκτυα, αποτέλεσαν ένα ισχυρό εργαλείο μελέτης και επίλυσης προβλημάτων σε πολλούς επιστημονικούς τομείς. Παρά την επιτυχία τους σε πρακτικό επίπεδο, ελάχιστα πράγματα είναι γνωστά ως προς την θεωρητική τους μελέτη. Πρόσφατες ωστόσο εφαρμογές στο πεδίο της στατιστικής μηχανικής και της φυσική στερεάς κατάστασης, ανέδειξαν σημαντικές ομοιότητες μεταξύ του τρόπου λειτουργίας τους και των κρίσιμων φαινομένων. Στη παρούσα εργασία, εστιάζουμε ακριβώς σε αυτή η σύνδεση για την περίπτωση του μοντέλου Ising, χρησιμοποιώντας τα νευρωνικά δίκτυα Restricted Boltzmann (RBM). Στο πρώτο μέρος, αναλύουμε τη θερμοδυναμική συμπεριφορά του μοντέλου μέσω προσομοιώσεων Monte Carlo βασισμένες στον αλγόριθμο του Metropolis. Από τις καταστάσεις spin που προέκυψαν υπολογίσαμε τους κρίσιμους εκθέτες και τη θερμοκρασία αλλαγής φάσης μέσω τεχνικών βάθμισης πεπερασμένου μεγέθους. Στο δεύτερο μέρος, εκπαιδεύσαμε μηχανές Boltzmann τις οποίες και χρησιμοποιήσαμε για να μελετήσουμε τις συνέπειες διαδοχικών ανακατασκευών των παραπάνω καταστάσεων (ροή RBM). Υπολογίζοντας θερμοδυναμικές ποσότητες του συστήματος, όπως την κατανομή μαγνήτης, συμπεράναμε ότι εκπαιδεύοντας κατάλληλα τις μηχανές, η παραπάνω ροή συγκλίνει στην κρίσιμη περιοχή.","abstract_has_math":false,"creators":["Δουλτσίνος Γεώργιος","Doultsinos Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:47:25Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3228416"],"render_values":[{"text":"uoadl:3228416","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3228416","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3228416","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3228416","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δουλτσίνος Γεώργιος","Doultsinos Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3228416","https://pergamos.lib.uoa.gr/uoa/dl/object/3228416"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τις τελευταίες δεκαετίες, η μηχανική μάθηση και συγκεκριμένα τα νευρωνικά δίκτυα, αποτέλεσαν ένα ισχυρό εργαλείο μελέτης και επίλυσης προβλημάτων σε πολλούς επιστημονικούς τομείς. Παρά την επιτυχία τους σε πρακτικό επίπεδο, ελάχιστα πράγματα είναι γνωστά ως προς την θεωρητική τους μελέτη. Πρόσφατες ωστόσο εφαρμογές στο πεδίο της στατιστικής μηχανικής και της φυσική στερεάς κατάστασης, ανέδειξαν σημαντικές ομοιότητες μεταξύ του τρόπου λειτουργίας τους και των κρίσιμων φαινομένων. Στη παρούσα εργασία, εστιάζουμε ακριβώς σε αυτή η σύνδεση για την περίπτωση του μοντέλου Ising, χρησιμοποιώντας τα νευρωνικά δίκτυα Restricted Boltzmann (RBM). Στο πρώτο μέρος, αναλύουμε τη θερμοδυναμική συμπεριφορά του μοντέλου μέσω προσομοιώσεων Monte Carlo βασισμένες στον αλγόριθμο του Metropolis. Από τις καταστάσεις spin που προέκυψαν υπολογίσαμε τους κρίσιμους εκθέτες και τη θερμοκρασία αλλαγής φάσης μέσω τεχνικών βάθμισης πεπερασμένου μεγέθους. Στο δεύτερο μέρος, εκπαιδεύσαμε μηχανές Boltzmann τις οποίες και χρησιμοποιήσαμε για να μελετήσουμε τις συνέπειες διαδοχικών ανακατασκευών των παραπάνω καταστάσεων (ροή RBM). Υπολογίζοντας θερμοδυναμικές ποσότητες του συστήματος, όπως την κατανομή μαγνήτης, συμπεράναμε ότι εκπαιδεύοντας κατάλληλα τις μηχανές, η παραπάνω ροή συγκλίνει στην κρίσιμη περιοχή.","Last decades, machine learning and specifically neural networks, became a powerful tool for solving problems in many different scientific areas. Though their general success, only a few things are know according to their properties in a theoretical level. Their recent applications on the field of statistical mechanics and solid state physics reveled a connection between critical phenomena and the way machine learning works. In this work we focus exactly on this connection for the case of the Ising model, using a class of neural networks named Restricted Boltzmann Machines (RBM). For the first part of this work we study the thermodynamic properties of the Ising model using Monte Carlo simulations based on the Metropolis algorithm. Using the spin states created we calculated the critical exponents as well the critical temperature of the phase transition using finite size scaling techniques. For the second part, we trained Boltzmann machines with the spin configurations and used them to create the RBM flow by repetitively reconstructing states. Calculating thermodynamic properties such as the magnetization distribution we concluded that the RBM flow tends towards the critical region."]},{"key":"dc:title","label":"Title","values":["Μελέτη της κρίσιμης συμπεριφοράς σε μοντέλα spin με μηχανές Boltzmann"]}]}],"canonical_facts":{"dc:creator":["Δουλτσίνος Γεώργιος","Doultsinos Georgios"],"dc:date":["2022"],"dc:description":["Τις τελευταίες δεκαετίες, η μηχανική μάθηση και συγκεκριμένα τα νευρωνικά δίκτυα, αποτέλεσαν ένα ισχυρό εργαλείο μελέτης και επίλυσης προβλημάτων σε πολλούς επιστημονικούς τομείς. Παρά την επιτυχία τους σε πρακτικό επίπεδο, ελάχιστα πράγματα είναι γνωστά ως προς την θεωρητική τους μελέτη. Πρόσφατες ωστόσο εφαρμογές στο πεδίο της στατιστικής μηχανικής και της φυσική στερεάς κατάστασης, ανέδειξαν σημαντικές ομοιότητες μεταξύ του τρόπου λειτουργίας τους και των κρίσιμων φαινομένων. Στη παρούσα εργασία, εστιάζουμε ακριβώς σε αυτή η σύνδεση για την περίπτωση του μοντέλου Ising, χρησιμοποιώντας τα νευρωνικά δίκτυα Restricted Boltzmann (RBM). Στο πρώτο μέρος, αναλύουμε τη θερμοδυναμική συμπεριφορά του μοντέλου μέσω προσομοιώσεων Monte Carlo βασισμένες στον αλγόριθμο του Metropolis. Από τις καταστάσεις spin που προέκυψαν υπολογίσαμε τους κρίσιμους εκθέτες και τη θερμοκρασία αλλαγής φάσης μέσω τεχνικών βάθμισης πεπερασμένου μεγέθους. Στο δεύτερο μέρος, εκπαιδεύσαμε μηχανές Boltzmann τις οποίες και χρησιμοποιήσαμε για να μελετήσουμε τις συνέπειες διαδοχικών ανακατασκευών των παραπάνω καταστάσεων (ροή RBM). Υπολογίζοντας θερμοδυναμικές ποσότητες του συστήματος, όπως την κατανομή μαγνήτης, συμπεράναμε ότι εκπαιδεύοντας κατάλληλα τις μηχανές, η παραπάνω ροή συγκλίνει στην κρίσιμη περιοχή.","Last decades, machine learning and specifically neural networks, became a powerful tool for solving problems in many different scientific areas. Though their general success, only a few things are know according to their properties in a theoretical level. Their recent applications on the field of statistical mechanics and solid state physics reveled a connection between critical phenomena and the way machine learning works. In this work we focus exactly on this connection for the case of the Ising model, using a class of neural networks named Restricted Boltzmann Machines (RBM). For the first part of this work we study the thermodynamic properties of the Ising model using Monte Carlo simulations based on the Metropolis algorithm. Using the spin states created we calculated the critical exponents as well the critical temperature of the phase transition using finite size scaling techniques. For the second part, we trained Boltzmann machines with the spin configurations and used them to create the RBM flow by repetitively reconstructing states. Calculating thermodynamic properties such as the magnetization distribution we concluded that the RBM flow tends towards the critical region."],"dc:identifier":["uoadl:3228416","https://pergamos.lib.uoa.gr/uoa/dl/object/3228416"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Μελέτη της κρίσιμης συμπεριφοράς σε μοντέλα spin με μηχανές Boltzmann"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:47:25Z"}