УДК 538.913:004.8
DOI: 10.36871/k.i.n.2026.02.01.006

Авторы

Разет Абасовна Магомадова,
ФГБОУ ВО «Чеченский государственный педагогический университет», Грозный, Россия; ФГБОУ ВО «Чеченский государственный университет им. А.А. Кадырова», Грозный, Россия

Аннотация

В статье предложена теоретическая схема интерпретируемой классификации фазовых переходов по спектрам нейтронного рассеяния, ориентированная на последующее использование в задачах физики конденсированного состояния и интеллектуальной автоматизации анализа экспериментальных данных. В отличие от непрозрачных нейросетевых конструкций рассматриваемый подход опирается на физически осмысленные дескрипторы, прямо связываемые с параметром порядка, корреляционной длиной, мягкими модами, интегральной интенсивностью критического рассеяния и наличием теплового гистерезиса. Такая постановка позволяет перенести центр тяжести с процедуры распознавания как таковой на реконструкцию причинно значимых спектральных признаков.

Ключевые слова

нейтронное рассеяние, фазовый переход, интерпретируемый искусственный интеллект.

Список литературы

  1. Барбьери М. К., Гриси Б. И., Дорн М. Анализ и сравнение методов выбора признаков по качеству и устойчивости // Экспертные системы с приложениями. 2024. Т. 249. Ст. 123667. DOI: 10.1016/j.eswa.2024.123667.
  2. Камалов Ф. и др. Математические методы выбора признаков: обзор // Математика. 2025. Т. 13. № 6. Ст. 996. DOI: 10.3390/math13060996.
  3. Курса М. Б., Янковский А., Рудницкий В. Борута — система выбора признаков // Основы информатики. 2010. Т. 101. № 4. С. 271–285. DOI: 10.3233/FI-2010-288.
  4. Ландау Л. Д., Лифшиц Е. М. Статистическая физика. Ч. 1. М.: Наука, 1976. 584 с.
  5. Лукашук Т., Кравчук Й. Значение устойчивости выбора признаков при оценивании классификаторов на высокоразмерных генетических данных // Пир Джей. 2024. Т. 12. Ст. e18405. DOI: 10.7717/peerj.18405.
  6. Урбанович Р. Дж. и др. Методы семейства «релиф» для выбора признаков: введение и обзор // Журнал биомедицинской информатики. 2018. Т. 85. С. 189–203. DOI: 10.1016/j. jbi.2018.07.014.
  7. Anker A. S., Shen K., Kjær E. T. S., Billinge S. J. L., Selbach S. M. The rise of machine learning for analysis and interpretation of scattering data // Chemical Science. 2023. Vol. 14. P. 14003-14019. DOI: 10.1039/D3SC05081E.
  8. Butler K. T., Davies D. W., Cartwright H., Isayev O., Walsh A. Machine learning for molecular and materials science // Nature. 2018. Vol. 559. P. 547-555. DOI: 10.1038/s41586-018-0337-2.
  9. Dawid A., Huembeli P., Kottmann J. S., et al. Phase detection with neural networks: interpreting the black box // New Journal of Physics. 2020. Vol. 22. Art. 115001. DOI: 10.1088/1367-2630/ abc463.
  10. Dawid A., Kottmann J. S., Sun J., et al. Hessian-based tools for interpreting machine learned interatomic potentials // Machine Learning: Science and Technology. 2022. Vol. 3. Art. 015002. DOI: 10.1088/2632-2153/ac338d.
  11. Doucet M., Ghosh S., Li H., Tennant D. A., et al. Machine learning for neutron scattering // Machine Learning: Science and Technology. 2021. Vol. 2. No. 2. Art. 023001. DOI: 10.1088/2632-2153/abcf88.
  12. Drucker A., Liu C.-H. Challenges and opportunities of machine learning on neutron and X-ray scattering // Synchrotron Radiation News. 2022. Vol. 35. No. 4. P. 13-17. DOI: 10.1080/08940886.2022.2112498.
  13. Hinderhofer A., Naujoks H., Surana P., Gane S., Li T., Singh A., Rothkirch A. Machine learning for scattering data // Journal of Applied Crystallography. 2023. Vol. 56. Pt 1. P. 3-11. DOI: 10.1107/ S1600576722011566.
  14. Jeffries C. M., Pietras Z., Svergun D. I. The basics of small-angle neutron scattering (SANS for new users of structural biology) // EPJ Web of Conferences. 2020. Vol. 236. Art. 03001. DOI: 10.1051/ epjconf/202023603001.
  15. Lovesey S. W. Theory of Neutron Scattering from Condensed Matter. Oxford: Clarendon Press, 1984. 443 p.
  16. Samarakoon A., Tennant D. A., Ye F., Zhang Q., Grigera S. A. Integration of machine learning with neutron scattering for the Hamiltonian tuning of spin ice under pressure // Communications Materials. 2022. Vol. 3. Art. 84. DOI: 10.1038/s43246-022-00306-7.
  17. Schmidt J., Marques M. R. G., Botti S., Marques M. A. L. Recent advances and applications of machine learning in solid-state materials science // npj Computational Materials. 2019. Vol. 5. Art. 83. DOI: 10.1038/s41524-019-0221-0.
  18. Squires G. L. Introduction to the Theory of Thermal Neutron Scattering. Cambridge: Cambridge University Press, 2012. 260 p.
  19. Stanley H. E. Introduction to Phase Transitions and Critical Phenomena. Oxford: Clarendon Press, 1971. 308 p.
  20. Van Hove L. Correlations in space and time and Born approximation scattering in systems of interacting particles // Physical Review. 1954. Vol. 95. No. 1. P. 249-262. DOI: 10.1103/PhysRev.95.249.
  21. Van Nieuwenburg E. P. L., Liu Y.-H., Huber S. D. Learning phase transitions by confusion // Nature Physics. 2017. Vol. 13. P. 435-439. DOI: 10.1038/nphys4035.
  22. Wang C., Xu C., Zhang S., Li L., Doucet M., Heller W. Integration of machine learning and neutron scattering techniques: a review // Journal of Radiation Research and Applied Sciences. 2024. Vol. 17. No. 2. Art. 100870. DOI: 10.1016/j.jrras.2024.100870.
  23. Wang L. Discovering phase transitions with unsupervised learning // Physical Review B. 2016. Vol. 94. Art. 195105. DOI: 10.1103/PhysRevB.94.195105.
  24. Wetzel S. J. Unsupervised learning of phase transitions: from principal component analysis to variational autoencoders // Physical Review E. 2017. Vol. 96. Art. 022140. DOI: 10.1103/ PhysRevE.96.022140.
  25. Wetzel S. J., Scherzer M. Machine learning of explicit order parameters: from the Ising model to SU(2) lattice gauge theory // Physical Review B. 2017. Vol. 96. Art. 184410. DOI: 10.1103/ PhysRevB.96.184410.
  26. Zhang Y., Ginsparg P., Kim E.-A. Interpreting machine learning of topological quantum phase transitions // Physical Review Research. 2020. Vol. 2. Art. 023283. DOI: 10.1103/ PhysRevResearch.2.023283.
  27. Zhong J., Bercx M., Miret S., et al. Explainable machine learning for scientific insights and discoveries in chemistry, materials science, and biology // npj Computational Materials. 2022. Vol. 8. Art. 204. DOI: 10.1038/s41524-022-00884-7.