机器学习被广泛应用于自然语言处理、人脸识别、大数据处理等众多领域。采用机器学习方法研究相变问题是最前沿的研究领域之一。本文主要用机器学习方法研究Potts模型相变和临界点。本文主要研究内容和结果:1.采用Glauber算法对二维Potts模型做蒙特卡罗模拟。蒙特卡罗模拟结果表明各态Potts模型的接受率差异很大,并在临界点附近具有较大涨落,研究发现通过Glauber算法的接受率可以估测各态Potts模型的临界点;同时模拟出了各态Potts模型能量、磁化强度随温度的变化关系,并估测出了临界点。2.采用监督学习研究二维Potts模型相变。采用全连通网络和卷积神经网络的方法构建神经网络模型,研究发现训练后的神经网络可以识别Potts模型的铁磁相和顺磁相,且识别出的临界点与理论值一致。此外,相较于蒙特卡罗模拟而言,机器学习在小尺寸晶格下也能精确识别出临界点,且在相同尺寸下,随着Potts模型的态q增大,神经网络识别临界点的准确性更高。3.采用非监督学习研究二维Potts模型相变。分别采用自编码(Autoencoder)、t分布随机近邻嵌入(t-SNE)和主成分分析(Principal Component Analysis,PCA)方法,在没有给Potts位型任何输入信息的情况下,自编码能够学习到Potts位型的主要特征,可以识别低温相和高温相,能把Potts位型低温相的不同态区分出来,呈现同态聚类现象,同时自编码器可以估测出Potts模型的临界点;PCA和t-SNE能对Potts位型降维,可以区分低温相和高温相,同样呈现同态聚类现象。