Mapping the Phase Diagram of the Vicsek Model with Machine Learning

1. Enunciato del Problema

Il modello di Vicsek è un modello fondamentale basato su agenti utilizzato per studiare il moto collettivo (materia attiva), come lo stormo di uccelli o le colonie batteriche. Descrive particelle auto-propulse che allineano la loro direzione con i vicini in presenza di rumore.

• La Sfida: Il comportamento di fase del modello di Vicsek è complesso e storicamente controverso. Mentre studi iniziali suggerivano una transizione continua del secondo ordine dal disordine all'ordine, ricerche successive hanno sostenuto una transizione del primo ordine che coinvolge una fase di coesistenza (bande di densità in movimento). Inoltre, è stata identificata una quarta fase "a croce" per grandi dimensioni del sistema.
• Il Divario: La letteratura esistente si basa spesso su punti dati di simulazione sparsi. È necessario un metodo sistematico per convertire queste simulazioni sparse in un diagramma di fase continuo e globale nello spazio parametrico tridimensionale del rumore ($\eta$), della densità ($\rho$) e della velocità ($v_0$).
• Obiettivo: Utilizzare l'apprendimento automatico per classificare le fasi, interpolare tra i punti di simulazione e risolvere i confini precisi tra le fasi disordinate, ordinate e di coesistenza.

2. Metodologia

Gli autori hanno adottato una pipeline di apprendimento automatico in due fasi: Clustering Non Supervisionato per la generazione di etichette e Classificazione Supervisionata per la mappatura delle fasi.

A. Simulazione e Generazione Dati

• Implementazione del Modello: Un'implementazione in C++ del modello di Vicsek è stata ottimizzata utilizzando Cell Lists (per ridurre la complessità della ricerca dei vicini da $O(n^2)$ a $O(n)$) e OpenMP per l'elaborazione parallela su un cluster HPC.
• Parametri: Dimensione del sistema $L=128$, con parametri liberi $\eta \in [0, 1]$, $\rho \in [0.1, 3]$ e $v_0 \in [0.01, 0.5]$.
• Campionamento: È stato utilizzato il Latin Hypercube Sampling (LHS) per selezionare efficientemente 193 punti parametrici, garantendo una copertura uniforme dello spazio 3D senza sprecare calcoli in regioni non importanti.
• Prove: Per ogni punto parametrico sono state eseguite 5 prove di simulazione indipendenti ($10^6$ passi temporali ciascuna) per tenere conto della stocasticità.

B. Estrazione delle Caratteristiche (Osservabili)

Per ogni prova di simulazione, sono stati calcolati tre osservabili dinamici chiave per caratterizzare lo stato:

1. Parametro d'Ordine Stazionario ($\langle \phi \rangle$): La media temporale della magnitudine del vettore di velocità globale (misura l'allineamento).
2. Cumulante di Binder ($G$): Una misura della fluttuazione del parametro d'ordine ($1 - \langle \phi^4 \rangle / 3\langle \phi^2 \rangle^2$), utilizzata per distinguere i tipi di fase.
3. Suscettività ($\chi$): La varianza del parametro d'ordine, che raggiunge il picco alle transizioni di fase.

C. Etichettatura Non Supervisionata (Clustering K-Means)

• Algoritmo: Gli autori hanno confrontato DBSCAN, GMM, Clustering Spettrale e K-Means. K-Means con 3 centroidi è stato selezionato in base alle prestazioni superiori nello Silhouette Score, nell'Indice Davies-Bouldin e nell'Indice Calinski-Harabasz.
• Processo: Gli osservabili $(\langle \phi \rangle, G, \chi)$ sono stati normalizzati tramite z-score e clusterizzati.
  • Cluster 0 (Disordine): Basso $\langle \phi \rangle$, bassa $G$, bassa $\chi$.
  • Cluster 1 (Ordine): Alto $\langle \phi \rangle$, $G \approx 0.66$, bassa $\chi$.
  • Cluster 2 (Coesistenza): $\langle \phi \rangle$ intermedio, alta $G$ e notevolmente alta $\chi$ (indicante separazione di fase).
• Assegnazione Etichette: A ogni punto parametrico è stata assegnata un'etichetta di fase dominante basata sul voto di maggioranza delle sue 5 prove.

D. Classificazione Supervisionata (Rete Neurale)

• Architettura: Una rete neurale feed-forward completamente connessa con un livello nascosto (128 neuroni, attivazione ReLU) e dropout (0.2) per prevenire l'overfitting.
• Input/Uscita: Gli input sono i parametri $(\eta, \rho, v_0)$; le uscite sono le probabilità per le tre fasi tramite Softmax.
• Strategia di Addestramento:
  • Split Stratificato: 80% addestramento, 20% test per preservare la distribuzione delle classi.
  • Funzione di Perdita: Cross-entropy pesata per gestire lo squilibrio delle classi (penalizzando più pesantemente gli errori sulla fase di coesistenza più rara).
  • Ottimizzatore: Adam con un tasso di apprendimento di $10^{-3}$.

3. Contributi Chiave

1. Etichettatura Automatica delle Fasi: Dimostrato che il clustering K-Means non supervisionato su osservabili dinamici può distinguere in modo robusto tra disordine, ordine e fasi di coesistenza senza soglie manuali.
2. Interpolazione Globale delle Fasi: Addestrato con successo una rete neurale per interpolare dati di simulazione sparsi, generando un diagramma di fase 3D continuo che si estende oltre i punti campionati originariamente.
3. Risoluzione della Coesistenza: Il modello ha identificato con successo una stretta regione di coesistenza che separa le fasi ordinate e disordinate, validando l'esistenza della fase a bande.
4. Quadro Metodologico: Ha stabilito una pipeline riproducibile per convertire dati di simulazione basati su agenti sparsi in mappe di fase globali, applicabile ad altri modelli di moto collettivo.

4. Risultati

• Accuratezza di Classificazione: La rete neurale ha raggiunto un'accuratezza di test di 0.92.
• Topologia delle Fasi:
  • Fase Disordinata: Dominante ad alto rumore ($\eta$) e bassa densità ($\rho$).
  • Fase Ordinata: Dominante a basso rumore e alta densità.
  • Fase di Coesistenza: Esiste una banda stretta tra le due, caratterizzata da alta suscettività.
• Dipendenze Parametriche:
  • Rumore ($\eta$): Il principale motore delle transizioni di fase.
  • Densità ($\rho$): Una densità più alta aumenta la soglia critica del rumore ($\eta_c$), permettendo all'ordine di persistere a livelli di rumore più elevati.
  • Velocità ($v_0$): Una $v_0$ più alta riduce la larghezza della banda di coesistenza. Questo è attribuito all'aumento delle interazioni tra particelle e alla riduzione delle fluttuazioni di rumore rispetto al tempo di interazione.
• Visualizzazione: La risultante mappa di fase 3D (Fig. 2) e le sezioni 2D (Fig. 3) delimitano chiaramente i confini, mostrando che la transizione non è una semplice linea ma una regione complessa sensibile a tutti e tre i parametri.

5. Significato e Direzioni Future

• Impatto Scientifico: Lo studio risolve le ambiguità riguardanti la natura della transizione di fase di Vicsek fornendo una mappa ad alta risoluzione, guidata dai dati, dello spazio delle fasi. Conferma l'esistenza della fase di coesistenza e ne quantifica la dipendenza dai parametri del sistema.
• Applicazione più Ampia: L'approccio offre un modo sistematico per analizzare sistemi complessi di materia attiva dove le soluzioni analitiche sono difficili o impossibili. Colma il divario tra simulazioni meccanicistiche e comprensione statistica globale.
• Lavori Futuri:
  • Mappatura Probabilistica: Passare dalla classificazione rigida alla previsione della probabilità di ciascuna fase (probabilità di occupazione del bacino) per studiare meglio la multistabilità.
  • Analisi dell'Isteresi: Investigare come la storia del sistema (scansioni di parametri verso l'alto vs verso il basso) influenzi lo stato finale vicino ai confini di fase.
  • Campionamento Denso: Utilizzare i confini identificati per guidare un campionamento più denso per studiare la fase "a croce" e gli arrangiamenti smettici.

In conclusione, questo paper dimostra efficacemente che combinare simulazioni ad alte prestazioni con apprendimento automatico non supervisionato e supervisionato fornisce uno strumento potente per mappare il complesso comportamento di fase dei sistemi di materia attiva.