본 논문은 인공 신경망을 이용하여 자기 상전이를 효율적으로 학습하는 방법을 제시합니다. 정확한 해석적 해가 없는 희석 이징 모델에 초점을 맞춰, 지도 학습 방식의 다층 퍼셉트론과 비지도 학습 방식의 합성곱 오토인코더 두 가지 접근 방식을 탐구합니다. 모델 성능 향상을 위해 대칭성 깨짐과 관련된 특징을 증폭하는 구조적 편향을 활용하고, $\mathbb{Z}_2$ 대칭성을 명시적으로 깨는 훈련 구성을 포함시켜 상전이 검출 능력을 강화합니다. 직접적인 수치적 계산을 통해 임계 온도와 투과 임계값을 비교하여 기계 학습 예측의 유효성을 검증합니다. 합성 데이터를 이용한 효율적인 훈련 방식을 통해 복잡한 시스템에서도 물리적으로 의미있는 상 경계를 밝혀낼 수 있음을 보여줍니다. 이는 기존 방법에 대한 저렴하고 강력한 대안을 제시하며, 응축물질 물리학 및 통계 물리학 분야에 폭넓게 적용될 수 있는 잠재력을 지닙니다.
