Assignments from coarse-grained systems using machine learning

O objetivo deste projeto foi utilizar técnicas computacionais para aproximar o melhor estado microscópico a ser designado para um sistema dada uma descrição macroscópica deste, a partir de resultados de pesquisa recentes sobre o assunto de mapeamento quântico da escala macro para a micro. Três métodos são apresentados neste trabalho. Primeiro, um método de amostragem por rejeição, em que os microestados quânticos são amostrados uniformemente, um mapa de coarse-graining é aplicado neles e, então, os estados são submetidos a condições de valor limiar para construir um conjunto que aproxima o ensemble de todos os microestados que satisfazem as condições macroscópicas. Em segundo lugar, um método de amostragem e partição, onde a imagem do mapa de coarsegraining é dividido em células. Essa divisão, feita com o algoritmo de aprendizado de máquina não supervisionado k-means++, é utilizada então para classificar os microestados com base na posição dos estados efetivos correspondentes no espaço determinado pela imagem do mapa. A abordagem cria células menores em lugares onde a concentração de dados é alta, consequentemente permitindo que os assignments associados a macroestados mais prováveis sejam calculados com precisão maior. Finalmente, o leitor ou leitora é apresentado(a) a perspectivas para um método inspirado em variational autoencoders para aprender como amostrar diretamente de microestados que satisfaçam as condições macroscópicas.