关键词： 岩土工程   岩石缺陷   无损检测   机器学习   深度学习  

摘要： 岩石的稳定性和内部结构状态是影响岩土工程质量和安全的关键因素,因此,在不破坏岩石整体结构的情况下进行无损检测对于保障安全生产具有重要意义。不同学者提出了多种岩石无损检测方法并取得了一定的研究成果,然而,现有的研究对岩石中复杂缺陷的识别还不够高效和精准。同时,随着计算机性能的发展,机器学习方法逐渐普及到无损检测领域并提高了缺陷识别的效率和正确率。因此,本文对基于波形特征的机器学习方法在岩石无损检测中的应用进行了系统的探讨、分析和评估。 本研究以截面形状不同的花岗岩试样和内含不同种类裂缝的石膏试样为研究对象,利用机器学习方法对试样截面形状、试样完整性、试样内部矩形裂缝的大小和个数、试样内部裂缝的形状进行了分类识别。不同于以往无损检测采用单一或少量特征的分析方式,本研究同时分析了多种时域与频域信号波形特征,提取了更多包含在振动信号中反映缺陷的有效信息,初步形成了一套使用机器学习来识别岩石复杂缺陷的方法。本论文的主要研究内容和结论如下: 本文首先利用机器学习模型对试样截面形状和试样完整性进行二分类,证明了机器学习方法在岩石无损检测中的可行性。研究结果表明,KNN二分类模型和SVM二分类模型在试样截面形状分类识别同时达到了100%的正确率,并且在试样完整性分类识别也同时达到了99.31%的正确率,但是SVM模型在相同正确率下具有更快的执行效率。 其次,本文利用机器学习模型对内含不同大小、不同个数矩形裂缝试样进行分类识别,并对模型进行优化,充分证明了机器学习方法在岩石无损检测中的高效性、准确性及高精准度。通过参数调整和模型优化,KNN和SVM两种多分类模型对内含不同大小、不同个数矩形裂缝的石膏试样分类识别正确率均达到了97.15%。此外,与KNN模型相比,采用多项式核的SVM模型在保证正确率的同时能够显著提高计算效率。 最后,本文利用机器学习模型和深度学习模型对内含不同形状的复杂裂缝试样进行分类识别,进一步拓展了机器学习在岩石无损检测中的应用范围。KNN模型和SVM模型对内含不同形状裂缝的石膏试样进行分类识别均达到了94.11%的正确率。CNN模型和LSTM模型则在对内含不同形状裂缝的石膏试样分类识别上分别达到了94.97%和96.09%的正确率。深度学习模型能进一步提高正确率但是需要消耗更多计算资源。 本文通过机器学习模型对试样截面形状、试样完整性、试样内部矩形裂缝的大小和个数、试样裂缝的形状高效精准的分类识别,形成了一套使用机器学习来识别岩石复杂缺陷的方法,有效地提高了岩石无损检测的识别效率、正确率和精准度。但是本研究由于时间和设备限制,尚未对试样中裂缝的位置进行定位识别,同时受限于计算机性能尚未对更多神经网络模型进行探索,将在未来做进一步深入研究。

关键词： 信贷风险评估   可解释性   集成学习   逻辑回归   系统开发  

摘要： 信贷风险评估是企业风险管理的重要一环。在人工智能技术关注度越来越高的今天,机器学习方法为提升信贷风险评估的智能化、高效化程度提供了新方案。然而,神经网络等方法在企业信贷风险评估时存在可解释性较差、数据透明度低等问题,相应地,企业使用意愿度仍较低。为提高信贷风险评估可解释性和智能化程度,本论文围绕信贷风险评估问题,提出一种基于集成学习的具有较强可解释性的信贷风险新方法,并进一步对信贷风险评估应用进行研究和实现。本论文主要研究内容及创新点如下:1、针对信贷风险评估可解释性较差的问题,结合国内外在信贷风险评估问题上的研究,提出了一种引入集成学习方法的信贷风险评估新方法。新方法首先借鉴XGboost(e Xtreme Gradient Boosting)思想,引入一种路径不重复的树分裂方法,以生成一组关于原始数据集的分类树;然后对这些数据集分别进行线性逻辑回归学习;最后采用逻辑回归作为基模型的adaboost(Adaptive Boosting)方法对不同分类树上的线性逻辑回归模型进行线性加权集成,从而形成了一个最终完全可解释的信贷风险评估模型。得益于上述特性,新模型能够为企业信贷风险管理提供有效的可解释参考。模型性能方面,在北京市企业审计数据集上,准确率和召回率分别达到93.10%和90.51%,在某市脱敏真实数据集上的准确率和召回率分别可达到82.68%和83.47%,上述结果与现有的信贷风险评估模型性能相当。并且通过数学推导和实验验证的方式,证明了新模型具有良好的可解释性和可读性,能够为信贷风险评估提供有益参考。由此,新模型将具有显著更强的实用价值。2、基于逻辑回归集成的新模型,设计并实现了企业信贷风险评估系统。系统实现了企业信贷数据处理和分析功能,构建完整效率的信贷风险评估任务流程。系统实现的主要模块有用户管理模块,数据管理模块,数据预处理模块以及风险评估模块。用户管理模块提供用户权限和信息查询功能。数据管理模块提供企业信贷数据的管理功能以及数据集的基本情况展示功能。数据预处理模块实现了多种数据预处理方式以便完成数据的清洗和填补。风险评估模块集成了本文提出的新方法和其他主流的机器学习方法来对信贷风险进行评估,并且提供了模型的可解释性对比分析。结合实际数据对系统进行测试的结果表明,该信贷风险评估系统在功能和性能上均有良好的效果,并且能提供直观的图表展示和不同模型之间的对比分析。综上所述,本文所提出的可解释性信贷风险评估模型能够为企业的信贷风险评估提供可解释性更强的新解决方案,能够为机器学习方法在信贷风险评估问题中的应用提供有益参考。上述应用系统的有效实现及测试结果表明,本文所提出的新模型能够有效地应用于实际企业信贷风险评估场景,具有清晰的现实价值。

关键词： 基金研究   投资策略   机器学习   量化投资  

摘要： 随着当下中国基金市场发展,市场上基金的数量和规模也逐渐增加,但是市场上的基金表现却多种多样,这给投资者选择基金造成了巨大困难。万幸的是,随着金融大数据时代的到来,金融机器学习学科也在不断的发展,因此如何运用机器学习技术帮助市场上的基金投资者构建基金投资策略,帮助投资者做出正确的投资决策,是一个十分值得研究的问题。本文通过机器学习的方法对基金策略的构建进行了研究,选取了2011年-2022年的股票类公募基金作为研究对象,选取了回归模型和集成学习模型作为策略构建方法,对基金投资策略进行建模。本文首先构建5类基金指标用于基金未来收益率的预测,分别为盈利能力指标、风险指标、动量指标、基金管理人指标、基金特性指标5类指标,再通过IC准则对指标进行初筛,通过筛选后的指标纳入基金学习模型的训练范围内。模型训练的主要流程为数据的标准化处理、模型参数的设定优化、模型的训练,模型有效性的检验。在得到训练好的模型之后,本文对2020年1月-2022年12月的数据进行了回测检验,投资者会根据测试集数据通过训练好的机器学习模型对基金未来收益率进行预测,然后根据未来收益率预测结果进行划分,等权重购买收益率最高的基金作为持有期为一个月得到解决组合,最后根据持有的基金组合和基金每日收益率计算基金组合的收益率,同时扣减一定的交易费用得到投资者数据能够实现的收益率。并且,在最后,文章还计算出策略回测收益的总收益率、年化收益率、最大回撤、年化波动率、夏普比率等指标,用于模型回测结果的评估。通过不同模型之间的对比,本文发现首先用机器学习方法构建的所有投资策略都比沪深300指数收益率表现要好,说明我们构建的机器学习基金投资策略具有一定的预测效果;其次,用集成学习方法构建的决策树模型的样本外预测能力和回测表现均比回归模型的表现要优秀,具体体现在年化收益率更高,最大回撤更小,更适合风险厌恶的投资者。这也说明说明非线性模型的泛化能力要强于线性模型,利用非线性的一些机器学习算法,去解决金融上的问题是可行且有效的;在本文构建的所有模型中,预测能力最强的模型为Xgboost模型,其回测期间内的总收益率为45.03%,最大回撤为26.47%,超过市场同期水平。

关键词： 建筑能耗预测   支持向量回归   反向传播神经网络   遗传算法  

摘要： 在公共建筑的日常运营中,能源使用过程缺乏科学有效的管控措施,导致能源消耗量过大、能源利用率低,造成成本增加和资源浪费。对城市公共建筑运行过程能源消耗量进行准确有效预测,可帮助城市管理系统实现高效优化及控制,达到节能降耗的目的。但在实际的公共建筑运行过程中,由于天气、人员流动等各类因素,建筑能耗存在随机性及不确定性。如何对建筑能耗进行准确预测,成为现阶段建筑运行能源管理的重要问题。本文利用遗传算法优化的支持向量回归、随机森林、反向传播神经网络、长短期记忆网络四种机器学习方法,基于加州劳伦斯伯克利实验室的能源使用数据集,对实验室未来一个月的能源消耗情况进行预测,对比分析四种机器学习方法对公共建筑能源消耗的短期预测能力。具体研究内容从以下方面展开: (1)在数据处理与分析方面,首先,统一原始数据的采样频率,使用描述性统计分析、可视化等手段识别数据异常值,比如室外空气湿度、室外空气温度等。其次,利用线性插补和K近邻插补方法,对时间序列数据中的丢失数据进行插补,插补后的数据分布特征与插补前基本相同,符合数据实际。然后,分析建筑能耗数据与影响因素数据之间的相关关系,并重新划定数据步长使更符合实际能源管理需求。最后,通过能源数据和影响因素的滞后数据相关系数筛选变量,并对筛选后的数据进行归一化处理,使之符合预测模型的输入要求。 (2)在模型构建与训练中,首先讨论分析支持向量回归、随机森林、反向传播神经网络和长短期记忆网络模型的参数,包括模型中哪些参数可以进行调整优化、各参数的作用原理、各参数的特点、各参数的取值等对模型性能的影响。随后依据研究目的、研究数据的实际情况选择需要进行调整的参数并设定参数范围,使用遗传算法分别对四个预测模型进行参数优化,即进行模型训练。最后对组合模型的训练过程进行分析描述,并对未来一个月的能耗进行预测。 (3)在模型对比中,首先,使用模型的默认参数取值或常见取值构建基础模型,并与经过遗传算法优化得到的最优模型(即组合模型)进行对比。其次,进行组合模型与组合模型之间的对比。其中,模型的对比包括三个方面:模型的拟合性、泛化性和模型在训练数据与测试数据上的表现差异。 本研究通过分析建筑能耗预测领域的研究现状,使用统计方法对研究数据进行分析与处理,使用遗传算法优化预测模型。结果显示:基于遗传算法的反向传播神经网络能够很好地把握未来能耗变化趋势,对用电高峰期数据较为敏感,预测效果最好;遗传算法对支持向量回归、反向传播神经网络和长短期记忆网络的性能均有较大提升。

关键词： Computational neuroscience   Hippocampus   Machine learning   Neural data analysis   Prefrontal cortex   Statistical analysis  

摘要： Neural coding is essential for understanding how the activity of individual neurons or ensembles of neurons relates to cognitive processing of the world. Neurons can code for multiple variables simultaneously and neuroscientists are interested in classifying neurons based on the variables they *** a model identification paradigm to identify neurons in terms of their coding properties is essential to understanding how the brain processes information. Statistical paradigms are capable of methodologically determining the factors influencing neural observations and assessing the quality of the resulting models to characterize and classify individual neurons. However, as neural recording technologies develop to produce data from massive populations, classical statistical methods often lack the computational efficiency required to handle such data. Machine learning (ML) approaches are known for enabling efficient large scale data analysis; however, they require huge training data sets, and model assessment and interpretation are more challenging than for classical statistical *** address these challenges, we develop an integrated framework, combining statistical modeling and machine learning approaches to identify the coding properties of neurons from large populations. In order to evaluate our approaches, we apply them to data from a population of neurons in rat hippocampus and prefrontal cortex (PFC), to characterize how spatial learning and memory processes are represented in these areas. The data consist of local field potentials (LFP) and spiking data simultaneously recorded from the CA1 region of hippocampus and the PFC of a male Long Evans rat performing a spatial alternation task on a W-shaped track. We have examined this data in three separate but related *** one project, we build an improved class of statistical models for neural activity by expanding a common set of basis functions to increase the statistical power of the resulting

关键词： 机器学习   面波频散   加速度记录基线校正   地核地震震相  

摘要： 地震学是一种重要的地球物理研究方法,通过研究地震或噪声激发的地震波在地球内部的传播,可以获得地球内部不同尺度速度结构的信息,并进一步推测地球的内部结构和构造。通过经过地幔、内核和外核的不同震相可以直接采样地球内部的深部结构,这些信息有助于深入理解地球内部的物理过程。同时,地震波数据还可用于研究地震的发生机制,从而降低地震灾害的影响。近年来,随着地震观测技术的快速发展,新兴技术如流动台阵、智能地震传感器和分布式光纤传感器等的广泛应用,显著增加了地震观测数据的数量和多样性。同时,背景噪音互相关技术的发展打破了观测地震事件发生时刻和空间的限制,从而大幅提高了地震观测数据的可用性。这些技术的发展极大地扩展了地震观测的数据量,但也提出了对传统地震信号数据处理和分析方法的新要求。因此,需要基于当前的观测数据量和应用需求,发展新的自动化方法以提高数据处理的效率和精度。在机器学习领域,深度神经网络技术近年来也得到了极大的发展,卷积神经网络的出现有效地提高了神经网络方法在高维数据上的训练效率和应用性能。这些技术已经被广泛应用于数字媒体处理领域,大大提高了高维大规模数据的自动化处理效率。因此,结合地震观测得到的大量数据和先进的机器学习方法,可以进一步发展高效精确的自动化数据处理流程,并为地震学研究提供高效的工具。通过推动地震数据的分析和解释,进而推进对地震过程及地球内部结构的理解。通过面波的频散特性可以有效反演测量地下的剪切波速度结构,因此面波频散反演在地下结构成像中被广泛应用。近年来发展的频率-贝塞尔变换方法(F-J method)可以有效从观测的背景噪音信号、地震信号中提取具有高阶频散曲线特征的面波频散谱。为了进一步通过面波频散曲线反演地下速度结构,需要对二维频散谱中的频散曲线特征进行提取。然而,传统的手动与半自动方法需要大量时间且缺乏统一标准。在本研究中,通过首先应用卷积深度编解码器提取频散特征,之后通过非监督聚类实现高阶频散曲线的模式分离。在不同地区和不同尺度上的应用验证了该方法的频散曲线提取能力,表明该方法可以为面波反演工作中的频散曲线提取提供高效而准确的提取方法。加速度数据是地震研究和地震工程的重要观测数据资源。由于其直接测量地面加速度,不受地震仪记录摆幅范围的限制,可以精确记录较大地震震级事件的地面运动。然而,观测数据的采样误差以及强震动对观测设备的影响会导致在从加速度数据转换为位移数据的两次梯形积分过程中出现较大的观测基线漂移。本研究利用深度卷积神经网络结合新提出的基于传统多段基线校正方法的模拟基线-观测数据融合训练集,实现了对观测加速度数据进行有效、稳定且快速的基线校正。该方法首先通过合成数据进行测试和性能验证,并通过合成噪声与合成基线测试验证了该方法校正有效性。观测数据应用与测试表明该方法不仅可以有效校正加速度观测数据中存在的基线漂移,还可以从恢复的位移数据中追踪地面同震位移,为后续研究提供新的观测数据参考。地球深部结构中存在明显的边界特征,如核幔边界和内外核边界。最早通过理论计算和震相观测相结合的方法被发现与检测。近年来,基于流动台阵的大量观测证明这些边界在空间尺度上具有不均匀的特征,可能包含起伏、超低速带和刚性层等复杂结构。可以通过传播经过这些复杂结构的直达波和反射波进行有效的采样与检测。通过分析PmKP震相(在核幔边界反射m-1次),可以在地面陆基观测范围受限的情况下,提供额外的地震波对核幔边界的采样范围。本研究提出了新的地震多台记录采样方法,将离散的地震台站观测数据采样到均匀的空间-时间网格上。通过在网格采样图上进一步应用二维深度卷积神经网络,实现对深部PmKP震相地震图的自动检测和特征提取。经过特征检测地震图进一步通过慢度计算与卷积神经网络的判别实现了 PmKP震相信号的自动验证。该方法可以有效提升大量地震事件数据中不同PmKP震相信号的检测效率,并有望扩增现有已知震相观测数据集与采样范围。此外,对于其他地核震相(如PKiPK震相)的特征,该方法也展现出类似的检测性能,具有潜在的应用价值。本研究介绍了三种在不同地震学数据处理领域的机器学习方法应用。通过针对不同类型和特征的地震数据,设计相应的机器学习方法和训练集构建方法,可以实现地震观测数据的稳定自动与高效处理。这些研究成果为地震学研究提供了有效的工具,通过应用这些方法有望推动地震学领域的发展,并为深入理解地震过程和地球内部结构提供方法支持。

关键词： 机器学习分类算法   临床预测模型   新冠肺炎  

摘要： 新型冠状病毒自2019年12月以来在全球大面积蔓延,在此期间,我国病死率远低于全球平均水平。该数据表明,我国的新冠防控总策略是科学的、是有效的,做好新冠病毒诊断与患者救治,采取各项措施预防或减少死亡,降低疫情感染率和病死率是重中之重。在新冠病毒的检测筛查方面,X光片和CT均有助于诊断该疾病,其精确度高于核酸检测方法,然而,使用X光片进行新冠肺炎筛查也存在人工筛查工作量大,效率低,误诊率高的问题,准确且高效地诊断X光片是检测筛查的关键;在新冠病毒患者的救治方面,研究表明,一旦新冠肺炎出现短时间大面积的爆发,医疗系统将会在不到四周的时间内崩溃,而当医院容量不堪重负时,死亡率就会急速上升,因此,在新冠肺炎患者确诊时对其死亡风险作出准确预测,对于目前疫情严重地区医疗体系超负荷的医院合理安排氧气瓶与ICU床位等重要资源,从而挽救更多患者的生命至关重要。临床预测模型可以为医疗决策提供更加数据化且更加准确的信息,应用愈发普遍。考虑到机器学习算法在复杂数据的处理上表现突出,在医疗记录、医学影像、生命体征等各类数据的诊断与预后预测中达到了超越人工的准确率,本文结合国内疫情防控流程经验,搭建基于机器学习分类算法的新型冠状病毒临床预测模型,在诊断模型部分,使用CNN算法与Res Net算法对包含新冠肺炎、病毒性肺炎与正常人三分类的新冠肺炎X光图像数据集进行分类预测,测试深度学习算法性能,探究适合新冠肺炎诊断的分类算法作为临床辅助诊断的手段;在预后模型部分,本文首先使用非负矩阵分解方法对患者的年龄、已有疾病、临床检验项目三类共47个指标做降维处理,得到转移酶、血细胞、凝血、病毒感染、合并症、肾功能6个新指标,再结合使用KNN算法、随机森林算法、线性判别分析、朴素贝叶斯分类等多种算法作为分类器,对降维后的数据进行判别分析,评估各个模型性能的差异,探究适合新冠病毒患者死亡风险预测的最优分类算法。实证结果显示,在诊断模型部分使用Res Net18、在预后模型部分使用随机森林时临床预测模型准确率最高。因此,综合考虑模型性能,新冠病毒临床预测模型的最优选择为,首先在患者出现临床症状与体征前往医院就诊时,基于X光图像采用Res Net18算法进行诊断,再对于其中的确诊患者,基于临床检查指标使用随机森林算法进行轻重症的区分,最后根据模型结果分配医疗资源,提供针对性治疗。此外,根据预后模型部分的描述性统计分析与实证研究结果可以看出,年龄、已有疾病及部分临床检测指标均是新冠肺炎患者死亡风险的影响因素,因此结合医院实际情况,应当从针对高龄患者倾注更多医疗资源、全面筛查患者既有疾病、持续监控临床检测关键指标几个方面做好救治工作,降低患者死亡风险。

关键词： 信贷机构   XGBoost   LightGBM   贷款人   风险识别  

摘要： 2022年以来,我国经济增长面临着各种内外部压力。在这样的大背景下,李克强总理提出消费是最终需求,扩大消费既有利于提升群众生活水平,又能带动就业、投资和产业升级。此时,消费信贷的作用不言而喻。首先,传统银行业等金融机构覆盖数量和规模并不能满足个人贷款需求日益增长的信贷市场,且风控要求较高,信贷市场需要互联网信贷机构作为必要补充。其次,监管政策表明,贷款机构要重视贷款人信息的识别和判断,切实加强互联网贷款业务信用风险管控,强化风险数据和风险模型管理,建立健全自主可控的风险管理运作机制和信息系统,严格客户准入标准。最后,目前国家十分重视金融科技的发展,利用机器学习的方法进行风险识别就是金融科技的分支,金融科技的应用和发展是未来金融业实现高质量发展的必由之路。基于此,本文利用机器学习的方法进行贷款人风险识别正是顺应了国家对金融业发展及监管要求,这种方法不仅发挥了金融科技赋能的作用,促进高质量发展,同时也是在探索数据价值方面的一次重要尝试。本文在现有研究成果的总结下,基于某互联网信贷机构贷款人的真实贷款数据对其进行风险识别。首先,对原始数据进行数据分析、数据处理、特征构建、特征选取。其次,选取了线性逻辑回归模型和集成学习中Bagging算法和Boosting算法的代表模型:随机森林、XGBoost和LightGBM模型,通过该信贷机构的真实数据训练模型并进行对比,输出Accuracy、Precision、Recall、F1＿score、AUC值,以AUC值为判定标准,得出基于本文数据的最优风险识别模型—LightGBM模型,通过最优模型输出贷款人风险特征的重要性排序。最后,运用分层分析法,提出该互联网信贷机构应该从贷款人基本信息、贷款人贷款信息、贷款人还款信息、贷款人非金融信息四个方面的重要特征进行风险识别。

关键词： 鼻咽癌   机器学习   费用管理  

摘要： 好发于我国两广地区及南亚、东南亚的鼻咽癌，在对患者身心健康、经济状况等方面带来巨大伤害的同时，对医院的医疗资源利用与合理配置等方面也产生了重大挑战。本文拟通过人工智能方法中的机器学习方法与传统统计学方法相结合，对广西某医院鼻咽癌患者住院费用进行分析，从而对医院医疗资源配置等方面提出合理化建议。最终结果显示，性别、民族、婚姻状况、保险情况、职业均是影响患者住院费的因素。年龄、住院次数、婚姻状况、性别、保险情况、职业、民族均对鼻咽癌患者的出院情况有所影响。得出结论为，患者的住院费用差异主要体现在耗材费方面，其次有无配偶的患者在治疗费上存在差异，患者有无保险也对其住院费用产生很大影响。在影响鼻咽癌患者出院情况的因素中，年龄影响最大，其次是住院次数和婚姻状况，性别、保险情况、职业、民族则对其影响较小。

关键词： 相变   蒙特卡罗方法   XY耦合模型   Ising-XY模型   图神经网络  

摘要： 相变是物质在温度、压力和磁场等外部条件下出现的突然性质变化,相变理论是统计物理领域里一项长期且重要的研究内容。相变广泛存在于经典和量子统计体系,如超冷原子体系中。Ising模型自旋有上下两种取向,XY模型的自旋矢量是可指向平面任意方向的连续变量,两者耦合起来的相图研究十分丰富。将二维Ising模型与二维XY模型结合起来可得到二维XY耦合模型和二维Ising-XY耦合模型,这两个模型中的Ising型相变和XY型相变的发生顺序是物理学者非常感兴趣的问题。本论文采用了可大规模计算的蒙特卡罗方法,包括单自旋翻转的Metropolis算法和多自旋同时翻转的集团演化Wolff算法,研究了这两个模型的相图和相变顺序情况。另外,还引入了颇具前景的图神经网络方法来模拟二维Ising-XY模型。首先,采用蒙特卡罗方法研究二维XY耦合模型的相变情况,固定Ja,通过调整Jb大小改变空间耦合系数;模拟计算不同耦合系数下的物理量,例如能量、磁化强度、比热、Binder累积量和超流密度等。再运用不同尺寸下Binder累积量交点和超流密度与直线Δρs/Tc～2/π的交点分析确定Ising型相变点和XY型相变点的位置。研究发现在空间各向同性、各向异性和各向异性极限三种情况下双层XY模型的XY型和Ising型同时发生相变,即只有一个相变点。另外,还利用超流密度尺寸外推公式由几个小尺寸的相变点外推出尺寸无穷大时该模型对应的XY型相变点,简化了计算难度。其次,采用蒙特卡罗方法研究了二维Ising-XY耦合模型的相变情况,先通过计算比热大致确定相变点,得出了A=B时的AC平面相图。AC平面相图中可观察到在C取值不同时对应的相变个数不同:C=0对应一个相变;C=0.38对应两个相变。所以在A≠B的研究中选取这样两个C值进一步分析,A≠B时借助不同尺寸下Binder累积量的交点和MxyL1/8的交点分别判定Ising型相变和XY型相变的位置,发现在各向同性、各向异性和各向异性极限三种情况下Ising型相变与XY型相变发生的顺序各不相同。从而得出A≠B时Ising-XY耦合模型的AB平面相图,结果表明该相图具有对称性。最后,采用图神经网络方法生成二维Ising-XY模型的构型。Ising-XY模型十分特殊,其Ising变量或者XY变量的相互作用依赖于体系状态发生变化,在某些参数范围下,其热平衡态难以模拟生成。为此,引入了图神经网络方法来模拟和推断Ising-XY构型的概率分布,根据该分布生成自旋构型,无需蒙特卡罗的弛豫过程。实验结果表明,图神经网络具有的强大特性可以有效地模拟从传统蒙特卡洛方法中生成的构型,并且是全新的具有相同物理特性的构型。