• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于機(jī)器學(xué)習(xí)J1-J2反鐵磁海森伯自旋鏈相變點(diǎn)的識別方法*

    2021-12-16 07:58:36王偉揭泉林
    物理學(xué)報 2021年23期
    關(guān)鍵詞:激發(fā)態(tài)基態(tài)矢量

    王偉 揭泉林

    (武漢大學(xué)物理科學(xué)與技術(shù)學(xué)院,武漢 430000)

    通過序參量來研究量子相變是比較傳統(tǒng)的做法,而從機(jī)器學(xué)習(xí)的角度研究相變是一塊全新的領(lǐng)域.本文提出了先采用無監(jiān)督學(xué)習(xí)算法中的高斯混合模型對J1-J2反鐵磁海森伯自旋鏈系統(tǒng)的態(tài)矢量進(jìn)行分類,再使用監(jiān)督學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)鑒別無監(jiān)督學(xué)習(xí)算法給出的分類點(diǎn)是否是相變點(diǎn)的方法,并使用交叉驗(yàn)證的方法對學(xué)習(xí)效果進(jìn)行驗(yàn)證.結(jié)果表明,上述機(jī)器學(xué)習(xí)方法可以從基態(tài)精確找到J1—J2反鐵磁海森伯自旋鏈系統(tǒng)的一階相變點(diǎn)、無法找到無窮階相變點(diǎn),從第一激發(fā)態(tài)不僅能找到一階相變點(diǎn),還能找到無窮階相變點(diǎn).

    1 引言

    機(jī)器學(xué)習(xí)算法的改進(jìn)和更快更強(qiáng)的硬件能夠讓研究者從龐大的數(shù)據(jù)中提取出有用的信息,現(xiàn)在已廣泛應(yīng)用于許多研究領(lǐng)域,這些發(fā)展對物理科學(xué)也產(chǎn)生了廣泛的影響,特別是在分類量子相變上[1-10].量子相變是系統(tǒng)在絕對零度下發(fā)生的一種相變,它僅僅由系統(tǒng)的哈密頓量變化帶來的量子擾動引起[11,12].在量子力學(xué)中,系統(tǒng)的物理狀態(tài)可以表示為希爾伯特空間的一個矢量,由于量子態(tài)通常已經(jīng)歸一化,研究者經(jīng)常使用保真度(兩個量子態(tài)的內(nèi)積)來研究量子相變,它能反映兩個態(tài)之間的相似程度,保真率反映的是這種變化的速率,這是一個純粹幾何學(xué)上的概念,分析認(rèn)為機(jī)器學(xué)習(xí)方法應(yīng)該也能從態(tài)矢量中提取信息來反映系統(tǒng)相變,其與保真度不同的是,輸出結(jié)果是該態(tài)矢量與模型訓(xùn)練數(shù)據(jù)中的所有同類態(tài)矢量的相似程度.研究量子相變,除了能進(jìn)一步豐富人們對低溫磁性材料、鐵電材料、超導(dǎo)體的認(rèn)識外,對其他學(xué)科和量子計算技術(shù)早期的實(shí)踐都具有重要意義.在一個很大的晶格中,計算序參量來判斷相變需要很大的計算量,也需要有先驗(yàn)知識來構(gòu)造一個合適的序參量.機(jī)器學(xué)習(xí)為我們提供了一種新的識別相變點(diǎn)的方法.

    Walker 等[13]使用無監(jiān)督機(jī)器學(xué)習(xí)有效識別了材料結(jié)構(gòu)變化的轉(zhuǎn)變溫度,Jadrich 等[14]研究表明不需要有任何先驗(yàn)知識來構(gòu)造一個合適的序參量,使用主成分分析法就能自動發(fā)現(xiàn)序參量來分類相,從而簡化了對相的常規(guī)分析.Canabarro 等[15]使用無監(jiān)督機(jī)器學(xué)習(xí)識別了軸向次近鄰伊辛模型的3 個主要相.Carrasquilla 等[16]研究表明神經(jīng)網(wǎng)絡(luò)能夠被用來編碼物質(zhì)相和識別強(qiáng)關(guān)聯(lián)多體系統(tǒng)的相變.Ahmadreza 等[17]使用卷積神經(jīng)網(wǎng)絡(luò)高精度的定位了二維伊辛模型的相變點(diǎn).

    大量研究表明機(jī)器學(xué)習(xí)能夠有效識別相變點(diǎn),然而當(dāng)面對一個全新的系統(tǒng)時,使用無監(jiān)督學(xué)習(xí)得到的分類點(diǎn)是否是相變點(diǎn)仍需要計算序參量加以佐證,當(dāng)不知道相變點(diǎn)時,也無法選擇合適的分類點(diǎn),給訓(xùn)練數(shù)據(jù)集貼上標(biāo)簽,訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型.這時就需要將非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)結(jié)合起來,可以先使用無監(jiān)督學(xué)習(xí)算法找到分類點(diǎn),再使用稍微遠(yuǎn)離分類點(diǎn)的兩側(cè)數(shù)據(jù)集進(jìn)行訓(xùn)練.發(fā)現(xiàn)如果無監(jiān)督學(xué)習(xí)得到的分類點(diǎn)為相變點(diǎn),通過增加分類點(diǎn)一側(cè)的訓(xùn)練數(shù)據(jù)或者調(diào)整訓(xùn)練集的分布區(qū)域,該點(diǎn)位置一般不會發(fā)生變化,若其不是相變點(diǎn),其位置必發(fā)生變化,由此,就可以不需要任何先驗(yàn)知識,不需要計算任何序參量,直接通過機(jī)器學(xué)習(xí)的方法找到相變點(diǎn).本文采用上述機(jī)器學(xué)習(xí)方法可以從基態(tài)精確找到海森伯J1-J2模型的一階相變點(diǎn)、無法找到無窮階相變點(diǎn),從第一激發(fā)態(tài)不僅能找到一階相變點(diǎn),還能找到無窮階相變點(diǎn).

    2 模 型

    本文研究的系統(tǒng)是一維反鐵磁海森伯自旋鏈.其哈密頓量是:

    其中,J1表示最近鄰相互耦合作用,J2表示次近鄰相互耦合作用,〈i,j〉表示取遍所有的最近鄰,〈〈i,j〉〉表示取遍所有的次近鄰,N表示鏈長.選擇周期性邊界條件.此模型最近鄰和次近鄰之間存在競爭,在熱力學(xué)極限下有兩個相變點(diǎn).Qian等[18-21]研究表明在J2/J1=0.5 時,此模型發(fā)生一階相變,該模型變?yōu)镸ajumdar-Ghosh 模型,此相變是由平移對稱性破缺引起的,在J2/J1=0.241時,此模型發(fā)生無窮階相變,當(dāng)J2/J1> 0.241 時,體系是二聚化相,當(dāng)J2/J1< 0.241 時,體系是自旋液體相.由圖1可知,此相變點(diǎn)對應(yīng)于第一激發(fā)態(tài)的能級交叉點(diǎn),此時基態(tài)無能級交叉,無法反映此相變.需要特別說明的是,本文計算的是有限長的系統(tǒng),因此由于系統(tǒng)的局限性,從圖1可以看出,除了在此模型的相變點(diǎn)處有能及交叉外,不同鏈長的系統(tǒng)在不同的地方也出現(xiàn)了能級交叉點(diǎn),這些假的相變點(diǎn)并沒有反映真實(shí)的物理,本文不做討論.下文討論的機(jī)器學(xué)習(xí)方法的輸出結(jié)果也反映了此情況,這雖然在一定程度上對研究造成了干擾,但并沒有妨礙對系統(tǒng)真實(shí)相變點(diǎn)的識別.

    圖1 不同鏈長的 J1-J2海森伯自旋鏈系統(tǒng)基態(tài)與第一激發(fā)態(tài)能量隨J2/J1的變化 (a) N=8;(b) N=10;(c) N=12;(d) N=16Fig.1.Ground and first excited energy level diagram in J1-J2Heisenberg spin chain system with chain length:(a) N=8;(b) N=10;(c) N=12;(d) N=16.

    3 無監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)方法

    采用無監(jiān)督學(xué)習(xí)識別分類點(diǎn)的方法為高斯混合模型(GMM),GMM 是單一高斯概率密度函數(shù)的延伸[22,23],一維高斯分布模型的概率密度函數(shù)為

    其中μ為數(shù)據(jù)均值,σ 為數(shù)據(jù)標(biāo)準(zhǔn)差,多維高斯分布模型的概率密度函數(shù)如下:

    其中μ為數(shù)據(jù)均值,∑為數(shù)據(jù)協(xié)方差,D為數(shù)據(jù)維度.

    GMM 是由K個單高斯模型組合而成的模型,其概率密度函數(shù)為

    其中πk為混合系數(shù),滿足

    GMM 類似于聚類,每一個高斯模型可以看作一種類別,輸入一個樣本,即可通過高斯概率密度函數(shù)計算其值,然后通過比較其屬于每個高斯模型的概率大小來判斷高斯模型的類別.使用GMM是因?yàn)楦咚狗植季邆浜芎玫奈锢硇再|(zhì)以及良好的計算性能.

    先通過GMM 找到分類點(diǎn),然后通過卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)一步驗(yàn)證該點(diǎn)是否為相變點(diǎn).CNN包括:輸入層、卷積層、池化層、全連接層和輸出層.數(shù)據(jù)集進(jìn)入網(wǎng)絡(luò)與卷積層多個卷積核卷積生成特征圖,池化層對特征圖下采樣,生成新特征圖,全連接層將池化層生成的多個特征圖融合、分類,輸出分類結(jié)果.

    本文采用的CNN 共包含5 層[24,25],第1 層為輸入層,輸入數(shù)據(jù)為一維反鐵磁海森伯模型的態(tài)矢量,第2 層為卷積層(卷積核大小為4× 4),卷積后生成16 個大小為2N/2× 2N/2的特征圖(本文采用Relu 激活函數(shù)).第3 層是池化層,采用最大池化操作(采樣窗口大小為2× 2,步長為2),所以輸出特征圖尺寸減半,即此刻特征圖大小為2N/4×2N/4,但特征圖數(shù)量仍為16 個,池化層的輸出數(shù)據(jù)展為一維矢量后輸入第4 層全連接層(神經(jīng)元個數(shù)設(shè)置為128).為了避免系統(tǒng)參數(shù)更新過快導(dǎo)致過擬合,本文在全連接層添加了dropout (dropout率設(shè)為0.5),全連接層輸出數(shù)據(jù)輸入第5 層輸出層,輸出層神經(jīng)元個數(shù)設(shè)置為n(n為類別數(shù),選取的訓(xùn)練數(shù)據(jù)為無監(jiān)督學(xué)習(xí)得到的分類點(diǎn)兩側(cè)的數(shù)據(jù),采用獨(dú)熱編碼(one-hot)將分類點(diǎn)一側(cè)的訓(xùn)練數(shù)據(jù)標(biāo)記為0,另一側(cè)標(biāo)記為1,因此本文n為2),激活函數(shù)采用softmax 函數(shù)[11],表達(dá)式為

    為了得到泛化能力較好的模型,采用交叉驗(yàn)證的策略.在交叉驗(yàn)證中,將樣本集隨機(jī)劃分為10等份,使用其中的1 份作為驗(yàn)證集而其余9 份作為訓(xùn)練集,通過正確率和交叉熵?fù)p失函數(shù)來衡量模型對于未知樣本的預(yù)測能力.

    采用遠(yuǎn)離相變點(diǎn)的訓(xùn)練集和驗(yàn)證集數(shù)據(jù)來訓(xùn)練和評估模型,使用訓(xùn)練好的模型對測試數(shù)據(jù)進(jìn)行預(yù)測.

    4 結(jié)果與討論

    4.1 從基態(tài)尋找相變點(diǎn)

    使用J2/J1∈[0,1)(鏈長N=16 的取J2/J1∈[0,0.53),因?yàn)槿2/J1∈[0,1)會優(yōu)先識別隨系統(tǒng)尺寸變化而改變的相變點(diǎn)J2/J1=0.534)的海森伯J1-J2模型基態(tài)態(tài)矢量作為訓(xùn)練集,生成n為2 的GMM,再用該模型對海森伯J1-J2模型基態(tài)態(tài)矢量分類,得到如圖2(a)所示的分類結(jié)果,可以看出J2/J1=0.5 是它的一個分類點(diǎn),其不隨系統(tǒng)尺寸變化而改變.

    接下來采用稍微遠(yuǎn)離J2/J1=0.5 的數(shù)據(jù)集作為訓(xùn)練集和驗(yàn)證集,對該點(diǎn)是否是相變點(diǎn)進(jìn)一步驗(yàn)證.我們采用標(biāo)記分別為0(采用one-hot 編碼)的J2/J1∈[0.35,0.45)和為1 的J2/J1∈[0.55,0.65)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)(鏈長N=16的取J2/J1∈[0.51,0.61),因?yàn)槿2/J1∈[0.55,0.65)會識別隨系統(tǒng)尺寸變化而改變的J2/J1=0.534 相變點(diǎn)),訓(xùn)練CNN 模型.之后使用該模型對海森伯J1-J2模型基態(tài)態(tài)矢量進(jìn)行預(yù)測,預(yù)測結(jié)果如圖2(b)所示,發(fā)現(xiàn)神經(jīng)元輸出在J2/J1=0.5 處發(fā)生跳變,接下來采用標(biāo)記分別為0 的J2/J1∈[0.3,0.4)和為1 的J2/J1∈[0.55,0.65)的基態(tài)態(tài)矢量和標(biāo)記分別為0 的J2/J1∈[0.2,0.3)和為1 的J2/J1∈[0.55,0.65)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),分別訓(xùn)練兩個CNN 模型,再用模型對基態(tài)態(tài)矢量進(jìn)行預(yù)測,預(yù)測結(jié)果如圖2(c)和圖2(d)所示,發(fā)現(xiàn)前后使用不同訓(xùn)練數(shù)據(jù)集訓(xùn)練的CNN 對測試數(shù)據(jù)集的預(yù)測結(jié)果幾乎沒有發(fā)生變化,因此,基本就能確定J2/J1=0.5 為該系統(tǒng)相變點(diǎn).這樣就在沒有任何先驗(yàn)知識,不知道系統(tǒng)哈密頓量,能量的條件下從基態(tài)態(tài)矢量中直接找到了J1-J2海森伯自旋鏈系統(tǒng)的一階相變點(diǎn).

    圖2 (a) 訓(xùn)練數(shù)據(jù)為J2/J1∈ [0,1)的海森伯J1-J2模型基態(tài)矢量生成的GMM 對基態(tài)矢量的分類結(jié)果;(b)采用標(biāo)記為0 的J2/J1∈[0.35,0.45)和為1 的J2/J1∈ [0.55,0.65);(c)標(biāo)記為0 的J2/J1∈ [0.3,0.4)和為1 的J2/J1∈ [0.55,0.65);(d)標(biāo)記為0 的J2/J1∈ [0.2,0.3)和為1 的J2/J1∈ [0.55,0.65)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練所得的CNN 模型對基態(tài)態(tài)矢量的預(yù)測結(jié)果Fig.2.(a) Ground state vector classification results of the GMM generated by the Heisenberg J1-J2model ground state vector with the training data of J2/J1∈ [0,1);(b) using the ground state vector of J2/J1∈ [0.35,0.45) marked as 0 and J2/J1∈ [0.55,0.65)marked as 1;(c) J2/J1∈ [0.3,0.4) marked as 0 and J2/J1∈ [0.55,0.65) marked as 1;(d) J2/J1∈ [0.2,0.3) marked as 0 and J2/J1∈[0.55,0.65) marked as 1 as training data,the prediction results of the ground state vector by the trained convolutional neural network model.

    同樣使用J2/J1∈[0,0.5)的海森伯J1-J2模型基態(tài)態(tài)矢量作為訓(xùn)練集(GMM 模型給出的不同鏈長的分類點(diǎn)不盡相同,但其結(jié)果基本一樣,所以僅以鏈長N=10 的態(tài)矢量的分類結(jié)果為例進(jìn)行討論),生成n=2 的GMM,再用該模型對海森伯J1-J2模型基態(tài)態(tài)矢量分類,得到如圖3(a)所示的分類結(jié)果,其在J2/J1=0.305 處出現(xiàn)分類點(diǎn).然后,分別采用標(biāo)記分別為0 的J2/J1∈[0.25,0.3)和為1 的J2/J1∈[0.35,0.4)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),采用標(biāo)記分別為0 的J2/J1∈[0.2,0.25)和為1 的J2/J1∈[0.35,0.4)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),和采用標(biāo)記分別為0 的J2/J1∈[0.2,0.25)和為1 的J2/J1∈[0.35,0.4)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù)(標(biāo)記為1 的數(shù)據(jù)是標(biāo)記為0 數(shù)據(jù)的5 倍),分別訓(xùn)練3 個CNN 模型,之后使用模型對系統(tǒng)基態(tài)的態(tài)矢量進(jìn)行預(yù)測,預(yù)測結(jié)果如圖3(b)—(d)所示.可以看出,CNN 給出的分類點(diǎn)隨訓(xùn)練數(shù)據(jù)集數(shù)據(jù)的變化而發(fā)生改變,不能給出確定的相變點(diǎn),因此不能通過該方法從基態(tài)態(tài)矢量中找到無窮階相變點(diǎn),但能夠有效排除無監(jiān)督學(xué)習(xí)給出的假的相變點(diǎn).

    圖3 (a) 訓(xùn)練數(shù)據(jù)為J2/J1∈ [0,0.5)的海森伯J1-J2模型基態(tài)態(tài)矢量生成的GMM 對基態(tài)態(tài)矢量的分類結(jié)果;(b) 分別為采用標(biāo)記為0 的J2/J1∈ [0.25,0.3)和為1 的J2/J1∈ [0.35,0.4);(c)標(biāo)記為0 的J2/J1∈ [0.2,0.25)和為1 的J2/J1∈ [0.35,0.4);(d)標(biāo)記為0 的J2/J1∈ [0.2,0.25)和為1 的J2/J1∈ [0.35,0.4)(標(biāo)記為1 的數(shù)據(jù)是標(biāo)記為0 的5 倍)的基態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練所得的CNN 模型對基態(tài)態(tài)矢量的預(yù)測結(jié)果Fig.3.(a) Ground state vector classification results of the GMM generated by the Heisenberg J1-J2model ground state vector with the training data of J2/J1∈ [0,0.5);(b) respectively usingthe ground state vector of J2/J1∈ [0.25,0.3) marked as 0 and J2/J1∈ [0.35,0.4) marked as 1;(c) J2/J1∈ [0.2,0.25) marked as 0 and J2/J1∈ [0.35,0.4) marked as 1;(d) J2/J1∈ [0.2,0.25) marked as 0 and J2/J1∈ [0.35,0.4) marked as 1 (the data marked as 1 is 5 times as much as the data marked as 0)as training data,the prediction results of the ground state vector by the trained convolutional neural network model.

    4.2 從第一激發(fā)態(tài)尋找相變點(diǎn)

    同樣,使用J2/J1∈[0,1)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練集,生成n為2 的GMM,再用該模型對海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量分類,得到如圖4(a)所示的分類結(jié)果,可以觀察到J2/J1=0.24和J2/J1=0.5 可能是它的相變點(diǎn).接下來,采用稍微遠(yuǎn)離J2/J1=0.5 數(shù)據(jù)集作為訓(xùn)練集和驗(yàn)證集,對該點(diǎn)是否是相變點(diǎn)進(jìn)一步驗(yàn)證.采用標(biāo)記分別為0 的J2/J1∈[0.35,0.45)和為1 的J2/J1∈[0.55,0.65)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),采用標(biāo)記分別為0 的J2/J1∈[0.3,0.4)和為1 的J2/J1∈[0.55,0.65)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),和采用標(biāo)記分別為0 的J2/J1∈[0.35,0.45)和為1 的J2/J1∈[0.55,0.65)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù)(標(biāo)記為0 的數(shù)據(jù)是標(biāo)記為1 數(shù)據(jù)的5 倍),分別訓(xùn)練CNN 模型,訓(xùn)練得到的3 個CNN 模型預(yù)測結(jié)果如圖4(b)—(d)所示,發(fā)現(xiàn)訓(xùn)練好的CNN 可以從測試數(shù)據(jù)中精確找到一階相變點(diǎn),且其對測試數(shù)據(jù)集的預(yù)測結(jié)果幾乎沒有發(fā)生變化,由此,也可以通過第一激發(fā)態(tài)態(tài)矢量數(shù)據(jù),在沒有任何先驗(yàn)知識,不知道系統(tǒng)哈密頓量,能量的條件下,確定J2/J1=0.5 為J1-J2海森伯自旋鏈系統(tǒng)相變點(diǎn).

    圖4 (a) 訓(xùn)練數(shù)據(jù)為J2/J1∈ [0,1)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量生成的GMM 對第一激發(fā)態(tài)態(tài)矢量的分類結(jié)果;(b)分別為采用標(biāo)記為0 的J2/J1∈ [0.35,0.45)和為1 的J2/J1∈ [0.55,0.65);(c)標(biāo)記為0 的J2/J1∈ [0.3,0.4)和為1 的J2/J1∈ [0.55,0.65);(d)標(biāo)記為0 的J2/J1∈ [0.35,0.45)和為1 的J2/J1∈ [0.55,0.65) (標(biāo)記為1 的數(shù)據(jù)是標(biāo)記為0 的5 倍)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練所得的CNN 模型對第一激發(fā)態(tài)態(tài)矢量的預(yù)測結(jié)果Fig.4.(a) The first excited state vector classification results of the GMM generated by the Heisenberg J1-J2model first excited state vector with the training data of J2/J1 ∈ [0,1);(b) using the first excited state vector of J2/J1∈ [0.35,0.45) marked as 0 and J2/J1∈ [0.55,0.65) marked as 1;(c) J2/J1∈ [0.3,0.4) marked as 0 and J2/J1∈ [0.55,0.65) marked as 1;(d) J2/J1∈ [0.35,0.45)marked as 0 and J2/J1∈ [0.55,0.65) marked as 1 (the data marked as 1 is 5 times as much as the data marked as 0)as training data,the prediction results of the first excited state vector by the trained convolutional neural network model.

    同樣,采用稍微遠(yuǎn)離J2/J1=0.24 數(shù)據(jù)集作為訓(xùn)練集和驗(yàn)證集,對該點(diǎn)是否是相變點(diǎn)進(jìn)一步驗(yàn)證.采用標(biāo)記分別為0 的J2/J1∈[0.1,0.2)和為1的J2/J1∈[0.3,0.4)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練CNN 模型,再用訓(xùn)練好的CNN 模型對海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量的類別進(jìn)行預(yù)測,預(yù)測結(jié)果如圖5(a)所示,我們發(fā)現(xiàn)訓(xùn)練好的CNN 可以從測試數(shù)據(jù)中精確找到無窮階相變點(diǎn),接著我們又采用標(biāo)記分別為0(的J2/J1∈[0,0.1)和為1 的J2/J1∈[0.3,0.4)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練CNN 模型.再用訓(xùn)練好的CNN模型對海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量的類別進(jìn)行預(yù)測,預(yù)測結(jié)果如圖5(b)所示,發(fā)現(xiàn)訓(xùn)練好的CNN 對測試數(shù)據(jù)集的預(yù)測結(jié)果幾乎沒有發(fā)生任何變化.由此基本就能確定J2/J1=0.24 為J1-J2海森伯自旋鏈系統(tǒng)相變點(diǎn).這樣就在沒有任何先驗(yàn)知識,不知道系統(tǒng)哈密頓量,能量的條件下從第一激發(fā)態(tài)態(tài)矢量中找到了該系統(tǒng)無窮階相變點(diǎn).

    圖5 (a)采用標(biāo)記為0 的J2/J1∈ [0.1,0.2),標(biāo)記為1 的J2/J1∈ [0.3,0.4);(b)標(biāo)記為0 的J2/J1∈ [0,0.1),標(biāo)記為1 的J2/J1∈ [0.3,0.4)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練所得的CNN 模型對第一激發(fā)態(tài)態(tài)矢量的預(yù)測結(jié)果Fig.5.(a) Using the first excited state vector of J2/J1∈ [0.1,0.2) marked as 0 and J2/J1∈ [0.3,0.4) marked as 1;(b)J2/J1∈ [0,0.1)marked as 0 and J2/J1∈ [0.3,0.4) marked as 1 as training data,the prediction results of the first excited state vector by the trained convolutional neural network model.

    使用J2/J1∈[0,0.24)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練集(GMM 模型給出的不同鏈長的分類點(diǎn)不盡相同,但其結(jié)果基本一樣,所以僅討論鏈長N=10 的態(tài)矢量的分類結(jié)果),生成n為2 的GMM,再用該模型對海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量分類,得到如圖6(a)所示的分類結(jié)果,可以觀察到J2/J1=0.125 可能是該模型的相變點(diǎn).采用標(biāo)記分別為0 的J2/J1∈[0.05,0.1)和1 的J2/J1∈[0.15,0.2)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),采用標(biāo)記分別為0 的J2/J1∈[0,0.05)和1 的J2/J1∈[0.15,0.2)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),分別訓(xùn)練CNN 模型,訓(xùn)練得到的兩個CNN 模型對測試集的預(yù)測結(jié)果如圖6(b),圖6(c)所示,我們觀察得到CNN 模型的預(yù)測結(jié)果在J2/J1∈[0,0.24)區(qū)域內(nèi)未出現(xiàn)明顯的間斷點(diǎn),且預(yù)測結(jié)果隨訓(xùn)練數(shù)據(jù)集的變化發(fā)生改變,因此J2/J1=0.125不是該模型的相變點(diǎn).說明監(jiān)督學(xué)習(xí)能夠有效排除無監(jiān)督學(xué)習(xí)模型提供的假相變點(diǎn),有效提高僅通過機(jī)器學(xué)習(xí)找系統(tǒng)相變點(diǎn)的準(zhǔn)確率.

    使用J2/J1∈[0.25,0.5)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練集,生成n為2 的GMM,再用該模型對海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量分類,得到如圖6(d)所示的分類結(jié)果,可以觀察到J2/J1=0.385 可能是該模型的相變點(diǎn).仍采用上述方法,使用不同訓(xùn)練數(shù)據(jù)分別訓(xùn)練CNN 模型,用訓(xùn)練所得的CNN 模型對測試集進(jìn)行預(yù)測,同樣可觀察得到CNN 模型的預(yù)測結(jié)果在J2/J1∈[0.25,0.5)區(qū)域內(nèi)未出現(xiàn)明顯的間斷點(diǎn),且預(yù)測結(jié)果隨訓(xùn)練數(shù)據(jù)集的變化發(fā)生改變,因此J2/J1=0.385 不是該模型的相變點(diǎn).

    圖6 (a) 訓(xùn)練數(shù)據(jù)為J2/J1∈ [0,0.24)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量生成的GMM 對第一激發(fā)態(tài)態(tài)矢量的分類結(jié)果;(b),(c)分別為采用標(biāo)記為0 的J2/J1∈ [0.05,0.1)和為1 的J2/J1∈ [0.15,0.2);標(biāo)記為0 的J2/J1∈ [0,0.05)和為1 的J2/J1∈ [0.15,0.2)的第一激發(fā)態(tài)態(tài)矢量作為訓(xùn)練數(shù)據(jù),訓(xùn)練所得的CNN 模型對第一激發(fā)態(tài)態(tài)矢量的預(yù)測結(jié)果;(d) 訓(xùn)練數(shù)據(jù)為J2/J1∈ [0.25,0.5)的海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量生成的GMM 對第一激發(fā)態(tài)態(tài)矢量的分類結(jié)果Fig.6.(a) The first excited state vector classification results of the GMM generated by the Heisenberg J1-J2model first excited state vector with the training data of J2/J1 ∈ [0,0.24);(b) (c) respectively using the first excited state vector of J2/J1∈ [0.05,0.1)marked as 0 and J2/J1∈ [0.15,0.2) marked as 1;J2/J1∈ [0,0.05) marked as 0 and J2/J1∈ [0.15,0.2) marked as 1 as training data,the prediction results of the first excited state vector by the trained convolutional neural network model;(d) he first excited state vector classification results of the GMM generated by the Heisenberg J1-J2model first excited state vector with the training data of J2/J1∈ [0.25,0.5).

    4.3 可視化態(tài)矢量

    采用線性函數(shù)歸一化方法將態(tài)矢量里的值都轉(zhuǎn)換到[0,255]的范圍,公式為

    將得到的每一個數(shù)據(jù)轉(zhuǎn)換為2N/2× 2N/2(N為鏈長,本文N=10)的灰度圖(全黑為0,全白為255).

    J2/J1=0.44,0.49,0.51,0.58 的基態(tài)態(tài)矢量灰度圖如圖7所示,觀察發(fā)現(xiàn)基態(tài)矢量灰度圖在相變點(diǎn)前和相變點(diǎn)后都變化緩慢,但在相變點(diǎn)前后發(fā)生了突變.第一激發(fā)態(tài)態(tài)矢量灰度圖如圖8所示,觀察得到第一激發(fā)態(tài)態(tài)矢量灰度圖在無窮極相變點(diǎn)和一階相變點(diǎn)前后也都發(fā)生了突變.由此能通過態(tài)矢量灰度圖直接觀測到一維次近鄰海森伯J1-J2模型的相變點(diǎn).機(jī)器學(xué)習(xí)方法也正是因?yàn)槟芴崛〕鰬B(tài)矢量這些特征信息的變化,才能夠有效找到相變點(diǎn).

    圖7 海森伯 J1-J2模型基態(tài)態(tài)矢量變換而來的灰度圖 (a) J2/J1=0.44;(b) J2/J1=0.49;(c) J2/J1=0.51;(d) J2/J1=0.58Fig.7.Gray scale images transformed from the ground state vector of the Heisenberg J1-J2model:(a) J2/J1=0.44;(b) J2/J1=0.49;(c) J2/J1=0.51;(d) J2/J1=0.58.

    圖8 海森伯J1-J2模型第一激發(fā)態(tài)態(tài)矢量變換而來的灰度圖 (a) J2/J1=0.24;(b) J2/J1=0.25;(c) J2/J1=0.49;(d) J2/J1=0.51Fig.8.Gray scale images transformed from the first excited state vector of the Heisenberg J1-J2model:(a) J2/J1=0.24;(b) J2/J1=0.25;(c) J2/J1=0.49;(d) J2/J1=0.51.

    5 結(jié)論

    本文將無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)結(jié)合起來,從一維次近鄰海森伯J1-J2模型的基態(tài)中找到了該模型的一階相變點(diǎn),從第一激發(fā)態(tài)不僅找到了一階相變點(diǎn),還找到了無窮階相變點(diǎn),間接說明了第一激發(fā)態(tài)可能比基態(tài)蘊(yùn)含更多信息,將態(tài)矢量可視化說明了機(jī)器學(xué)習(xí)算法的可靠性.

    研究結(jié)果表明,機(jī)器學(xué)習(xí)能夠在沒有任何先驗(yàn)知識、不知道系統(tǒng)哈密頓量、能量的條件下,直接從龐大的態(tài)矢量樣本集合中找出一些可能存在的相變點(diǎn),這可能為研究未知系統(tǒng)時提供一些幫助;監(jiān)督學(xué)習(xí)能夠?qū)o監(jiān)督學(xué)習(xí)給出的相變點(diǎn)加以驗(yàn)證,去除假的相變點(diǎn).

    由于本文僅研究了一維海森伯J1-J2模型,此方法的魯棒性和推廣能力還未知,需要進(jìn)一步研究.

    猜你喜歡
    激發(fā)態(tài)基態(tài)矢量
    一類非線性Choquard方程基態(tài)解的存在性
    擬相對論薛定諤方程基態(tài)解的存在性與爆破行為
    一類反應(yīng)擴(kuò)散方程的Nehari-Pankov型基態(tài)解
    矢量三角形法的應(yīng)用
    非線性臨界Kirchhoff型問題的正基態(tài)解
    激發(fā)態(tài)和瞬態(tài)中間體的光譜探測與調(diào)控
    基于矢量最優(yōu)估計的穩(wěn)健測向方法
    三角形法則在動態(tài)平衡問題中的應(yīng)用
    莧菜紅分子基態(tài)和激發(fā)態(tài)結(jié)構(gòu)與光譜性質(zhì)的量子化學(xué)研究
    單鏡面附近激發(fā)態(tài)極化原子的自發(fā)輻射
    久久久久久免费高清国产稀缺| 一本综合久久免费| 久久人妻福利社区极品人妻图片| 涩涩av久久男人的天堂| 日本av手机在线免费观看| 国产在线精品亚洲第一网站| 久久午夜综合久久蜜桃| 精品久久蜜臀av无| 欧美激情高清一区二区三区| 黄频高清免费视频| 国产精品 国内视频| 电影成人av| 亚洲精华国产精华精| 亚洲九九香蕉| 国产免费福利视频在线观看| 国产xxxxx性猛交| 国产高清激情床上av| 亚洲,欧美精品.| 久久久水蜜桃国产精品网| 午夜福利免费观看在线| 亚洲av电影在线进入| 免费女性裸体啪啪无遮挡网站| 欧美精品人与动牲交sv欧美| 黄色视频,在线免费观看| 美女高潮到喷水免费观看| 欧美黑人欧美精品刺激| 美女高潮到喷水免费观看| 国产一区二区三区在线臀色熟女 | 下体分泌物呈黄色| 国产精品免费视频内射| 在线观看66精品国产| 黑人巨大精品欧美一区二区mp4| 啦啦啦视频在线资源免费观看| 一本综合久久免费| 亚洲av日韩在线播放| 女人被躁到高潮嗷嗷叫费观| 丰满少妇做爰视频| 黑人巨大精品欧美一区二区mp4| 色综合婷婷激情| 99re6热这里在线精品视频| 亚洲精品国产精品久久久不卡| 久久毛片免费看一区二区三区| 国产欧美亚洲国产| 亚洲黑人精品在线| 亚洲国产av影院在线观看| 男人操女人黄网站| 波多野结衣一区麻豆| 成人国语在线视频| 夜夜夜夜夜久久久久| svipshipincom国产片| 青青草视频在线视频观看| 啦啦啦中文免费视频观看日本| 中文字幕av电影在线播放| 亚洲熟女毛片儿| 国产淫语在线视频| 国产免费av片在线观看野外av| 老司机影院毛片| 久久久水蜜桃国产精品网| 99国产综合亚洲精品| 亚洲av日韩在线播放| 国产黄频视频在线观看| 国产欧美日韩一区二区精品| 性少妇av在线| 亚洲avbb在线观看| 精品国内亚洲2022精品成人 | 国产亚洲欧美在线一区二区| 国产福利在线免费观看视频| 一边摸一边抽搐一进一小说 | 国产精品av久久久久免费| 亚洲欧美一区二区三区黑人| 老司机影院毛片| 宅男免费午夜| 亚洲国产看品久久| 久久精品国产亚洲av香蕉五月 | 丝袜喷水一区| 1024香蕉在线观看| 天堂动漫精品| 99国产精品一区二区蜜桃av | av又黄又爽大尺度在线免费看| 免费不卡黄色视频| av片东京热男人的天堂| 国产精品一区二区在线不卡| 香蕉久久夜色| 亚洲欧美精品综合一区二区三区| 免费一级毛片在线播放高清视频 | 久久久久网色| 日本黄色视频三级网站网址 | 亚洲成人国产一区在线观看| 成人免费观看视频高清| 男女之事视频高清在线观看| 亚洲人成电影观看| 18禁美女被吸乳视频| 69av精品久久久久久 | 欧美国产精品va在线观看不卡| 变态另类成人亚洲欧美熟女 | 亚洲五月婷婷丁香| 日本撒尿小便嘘嘘汇集6| 欧美另类亚洲清纯唯美| 91九色精品人成在线观看| 女性被躁到高潮视频| 亚洲va日本ⅴa欧美va伊人久久| 少妇猛男粗大的猛烈进出视频| 97人妻天天添夜夜摸| 精品久久久精品久久久| 成人特级黄色片久久久久久久 | 亚洲av第一区精品v没综合| 国产黄频视频在线观看| 国产成人一区二区三区免费视频网站| 国产成人精品久久二区二区91| 制服诱惑二区| 两人在一起打扑克的视频| 99国产综合亚洲精品| 欧美一级毛片孕妇| 亚洲伊人久久精品综合| 国产男女内射视频| 黄片播放在线免费| 老熟妇乱子伦视频在线观看| 日韩一区二区三区影片| 亚洲伊人色综图| av视频免费观看在线观看| 国内毛片毛片毛片毛片毛片| 久久久精品国产亚洲av高清涩受| 久久久久视频综合| 国产免费现黄频在线看| 免费观看a级毛片全部| bbb黄色大片| 啦啦啦在线免费观看视频4| 亚洲一区中文字幕在线| 在线观看人妻少妇| 亚洲久久久国产精品| 国产熟女午夜一区二区三区| √禁漫天堂资源中文www| 美女国产高潮福利片在线看| 精品亚洲成国产av| 两个人免费观看高清视频| 亚洲人成77777在线视频| 一区在线观看完整版| 欧美中文综合在线视频| 国产老妇伦熟女老妇高清| 人人妻,人人澡人人爽秒播| 国产野战对白在线观看| 视频区欧美日本亚洲| 国产色视频综合| 亚洲 欧美一区二区三区| 亚洲国产欧美日韩在线播放| 少妇被粗大的猛进出69影院| 免费女性裸体啪啪无遮挡网站| 亚洲第一欧美日韩一区二区三区 | 亚洲情色 制服丝袜| 亚洲色图综合在线观看| 欧美激情久久久久久爽电影 | 欧美黄色片欧美黄色片| 视频区欧美日本亚洲| 大陆偷拍与自拍| 视频在线观看一区二区三区| 桃花免费在线播放| 亚洲精品av麻豆狂野| 国产在线一区二区三区精| 99国产精品一区二区蜜桃av | 黑人巨大精品欧美一区二区mp4| 国产一区二区三区综合在线观看| av网站在线播放免费| 侵犯人妻中文字幕一二三四区| 国产精品二区激情视频| 2018国产大陆天天弄谢| 黄网站色视频无遮挡免费观看| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲色图 男人天堂 中文字幕| 色综合婷婷激情| 午夜福利欧美成人| 亚洲人成电影免费在线| 变态另类成人亚洲欧美熟女 | 免费日韩欧美在线观看| 国产在线免费精品| 亚洲欧洲精品一区二区精品久久久| 成人av一区二区三区在线看| 老鸭窝网址在线观看| 免费在线观看日本一区| 两个人免费观看高清视频| 别揉我奶头~嗯~啊~动态视频| 午夜福利影视在线免费观看| 少妇被粗大的猛进出69影院| 亚洲五月婷婷丁香| av国产精品久久久久影院| 建设人人有责人人尽责人人享有的| 久久久久网色| av不卡在线播放| 欧美成人免费av一区二区三区 | 高清av免费在线| 国产成+人综合+亚洲专区| 免费少妇av软件| 精品免费久久久久久久清纯 | 欧美中文综合在线视频| 啦啦啦在线免费观看视频4| 每晚都被弄得嗷嗷叫到高潮| 91麻豆精品激情在线观看国产 | 欧美日韩av久久| 国产日韩欧美亚洲二区| videosex国产| 69精品国产乱码久久久| 免费av中文字幕在线| 天天躁日日躁夜夜躁夜夜| 好男人电影高清在线观看| 考比视频在线观看| 99国产精品免费福利视频| 99热网站在线观看| 亚洲精品一卡2卡三卡4卡5卡| 女人久久www免费人成看片| 熟女少妇亚洲综合色aaa.| 精品一区二区三区视频在线观看免费 | 美国免费a级毛片| 久久天堂一区二区三区四区| 亚洲伊人久久精品综合| 不卡一级毛片| 一边摸一边抽搐一进一小说 | 午夜福利视频在线观看免费| 超色免费av| 免费一级毛片在线播放高清视频 | 91麻豆av在线| 国产免费视频播放在线视频| 热99国产精品久久久久久7| 免费看a级黄色片| 黑丝袜美女国产一区| 精品国产一区二区久久| 人人妻人人添人人爽欧美一区卜| 丰满饥渴人妻一区二区三| 国产91精品成人一区二区三区 | 一级黄色大片毛片| 国产精品麻豆人妻色哟哟久久| 国内毛片毛片毛片毛片毛片| 2018国产大陆天天弄谢| 精品亚洲成国产av| 中文字幕人妻熟女乱码| 少妇猛男粗大的猛烈进出视频| 美女午夜性视频免费| av有码第一页| 俄罗斯特黄特色一大片| 欧美在线一区亚洲| 老司机午夜福利在线观看视频 | 女同久久另类99精品国产91| 99国产极品粉嫩在线观看| 宅男免费午夜| 制服诱惑二区| 午夜福利视频精品| 老熟女久久久| 亚洲av电影在线进入| 汤姆久久久久久久影院中文字幕| 啦啦啦中文免费视频观看日本| 国产在线一区二区三区精| 91av网站免费观看| 操美女的视频在线观看| 91九色精品人成在线观看| 99re在线观看精品视频| 1024视频免费在线观看| 国产亚洲欧美精品永久| 老司机深夜福利视频在线观看| 亚洲欧美日韩另类电影网站| 亚洲成人免费av在线播放| 久久中文字幕一级| 中文字幕色久视频| 亚洲一区中文字幕在线| 国产不卡av网站在线观看| 国产成人影院久久av| 一级毛片女人18水好多| 亚洲精品国产区一区二| 天堂动漫精品| 麻豆av在线久日| 成人18禁高潮啪啪吃奶动态图| 国产老妇伦熟女老妇高清| 日韩成人在线观看一区二区三区| 啦啦啦免费观看视频1| 亚洲精品中文字幕一二三四区 | 黄色成人免费大全| 岛国毛片在线播放| 久久香蕉激情| 在线播放国产精品三级| 国产视频一区二区在线看| 国产在线视频一区二区| 日本wwww免费看| 午夜日韩欧美国产| 午夜免费成人在线视频| 肉色欧美久久久久久久蜜桃| 免费久久久久久久精品成人欧美视频| 午夜激情av网站| 叶爱在线成人免费视频播放| 精品国产国语对白av| 亚洲精品美女久久久久99蜜臀| 夫妻午夜视频| 午夜福利乱码中文字幕| 国产亚洲欧美精品永久| 欧美在线黄色| 成年女人毛片免费观看观看9 | 日韩视频在线欧美| 可以免费在线观看a视频的电影网站| 国产欧美日韩一区二区三区在线| 久9热在线精品视频| 侵犯人妻中文字幕一二三四区| 亚洲av第一区精品v没综合| 色播在线永久视频| 91成年电影在线观看| 日本av手机在线免费观看| 在线永久观看黄色视频| 法律面前人人平等表现在哪些方面| 精品亚洲成国产av| 久久久久久亚洲精品国产蜜桃av| 女人高潮潮喷娇喘18禁视频| 精品一区二区三区四区五区乱码| 老熟女久久久| 亚洲人成电影免费在线| 国产欧美日韩一区二区三区在线| 亚洲人成电影免费在线| 久久久久久久国产电影| 一进一出抽搐动态| 三上悠亚av全集在线观看| 欧美精品一区二区免费开放| 黄网站色视频无遮挡免费观看| 久久久久久久久久久久大奶| 国产精品98久久久久久宅男小说| 久久精品国产亚洲av高清一级| 丰满少妇做爰视频| 叶爱在线成人免费视频播放| 国产成+人综合+亚洲专区| 露出奶头的视频| 久久青草综合色| kizo精华| 久久热在线av| 久久av网站| av天堂久久9| 两个人免费观看高清视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品国产a三级三级三级| 亚洲人成电影免费在线| 天天躁夜夜躁狠狠躁躁| 免费在线观看黄色视频的| 亚洲国产欧美日韩在线播放| 欧美日韩福利视频一区二区| 欧美 日韩 精品 国产| 久久精品亚洲av国产电影网| 亚洲精品在线美女| 亚洲色图 男人天堂 中文字幕| 亚洲三区欧美一区| 欧美成狂野欧美在线观看| 中文亚洲av片在线观看爽 | 制服人妻中文乱码| 久久av网站| 亚洲专区国产一区二区| 91成年电影在线观看| 精品第一国产精品| 涩涩av久久男人的天堂| 久久中文字幕人妻熟女| 中文字幕色久视频| 久久 成人 亚洲| 精品视频人人做人人爽| 欧美日韩福利视频一区二区| 亚洲va日本ⅴa欧美va伊人久久| tube8黄色片| 国产色视频综合| 精品国产国语对白av| 欧美黑人精品巨大| 在线观看免费日韩欧美大片| 在线观看免费高清a一片| 精品亚洲成国产av| 桃红色精品国产亚洲av| 色综合婷婷激情| 另类亚洲欧美激情| 一区二区av电影网| 亚洲欧美精品综合一区二区三区| 国产精品av久久久久免费| 脱女人内裤的视频| 老熟妇仑乱视频hdxx| 老司机在亚洲福利影院| 亚洲伊人色综图| 亚洲精品自拍成人| 99久久99久久久精品蜜桃| 人妻 亚洲 视频| aaaaa片日本免费| 亚洲中文字幕日韩| 国产一区二区三区在线臀色熟女 | 欧美黑人精品巨大| 国产成人av教育| 麻豆成人av在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 777米奇影视久久| 91成人精品电影| 国产欧美日韩综合在线一区二区| 建设人人有责人人尽责人人享有的| 天天操日日干夜夜撸| 黄色怎么调成土黄色| 人人妻,人人澡人人爽秒播| 一区在线观看完整版| 老司机靠b影院| cao死你这个sao货| 成人永久免费在线观看视频 | 麻豆乱淫一区二区| 欧美日韩视频精品一区| 男人舔女人的私密视频| 99久久精品国产亚洲精品| 亚洲美女黄片视频| 亚洲国产中文字幕在线视频| 亚洲精品一二三| 人人澡人人妻人| 日韩三级视频一区二区三区| 大片免费播放器 马上看| 精品久久久久久久毛片微露脸| 欧美乱码精品一区二区三区| 99国产精品一区二区蜜桃av | 久久天堂一区二区三区四区| 日本av手机在线免费观看| 岛国毛片在线播放| 国产在视频线精品| 人成视频在线观看免费观看| 黄网站色视频无遮挡免费观看| 日本av免费视频播放| 纯流量卡能插随身wifi吗| 亚洲国产av新网站| 国产成人系列免费观看| 国产成人啪精品午夜网站| 国产一卡二卡三卡精品| 免费在线观看日本一区| 极品教师在线免费播放| 亚洲色图av天堂| 母亲3免费完整高清在线观看| 变态另类成人亚洲欧美熟女 | tube8黄色片| 熟女少妇亚洲综合色aaa.| 热99久久久久精品小说推荐| 青青草视频在线视频观看| 国产一区二区三区综合在线观看| 嫩草影视91久久| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕人妻丝袜一区二区| 大码成人一级视频| 97在线人人人人妻| 国产精品美女特级片免费视频播放器 | 一区二区日韩欧美中文字幕| 精品熟女少妇八av免费久了| 美女福利国产在线| 亚洲男人天堂网一区| 午夜老司机福利片| 免费日韩欧美在线观看| 视频区欧美日本亚洲| 一级毛片女人18水好多| 亚洲精品美女久久av网站| 亚洲情色 制服丝袜| 深夜精品福利| 男女高潮啪啪啪动态图| 天天影视国产精品| 久久这里只有精品19| 亚洲av片天天在线观看| 亚洲第一青青草原| 成人影院久久| 亚洲成人国产一区在线观看| 久久热在线av| 亚洲av美国av| 淫妇啪啪啪对白视频| 美女高潮喷水抽搐中文字幕| 亚洲欧洲精品一区二区精品久久久| 精品一品国产午夜福利视频| 大码成人一级视频| 一个人免费看片子| 亚洲人成伊人成综合网2020| 在线 av 中文字幕| 男女免费视频国产| 精品久久久久久电影网| 黄网站色视频无遮挡免费观看| 桃红色精品国产亚洲av| 在线观看免费视频日本深夜| 国产精品久久久久久人妻精品电影 | 免费看十八禁软件| 人人妻人人添人人爽欧美一区卜| 精品视频人人做人人爽| 在线av久久热| 国产在线一区二区三区精| 久久精品成人免费网站| 曰老女人黄片| 亚洲中文字幕日韩| 久久久国产精品麻豆| 一级毛片女人18水好多| 男女床上黄色一级片免费看| 搡老乐熟女国产| 在线观看免费视频网站a站| 久久久久久亚洲精品国产蜜桃av| 午夜精品国产一区二区电影| 久久这里只有精品19| 亚洲全国av大片| 精品久久久久久电影网| 波多野结衣av一区二区av| 熟女少妇亚洲综合色aaa.| 极品少妇高潮喷水抽搐| 亚洲人成伊人成综合网2020| 大型黄色视频在线免费观看| 人人妻人人澡人人看| 国产亚洲一区二区精品| 久久精品成人免费网站| av免费在线观看网站| 大陆偷拍与自拍| 午夜福利视频精品| 国产一区二区激情短视频| 亚洲 欧美一区二区三区| 亚洲成av片中文字幕在线观看| 色视频在线一区二区三区| 热re99久久精品国产66热6| 美女午夜性视频免费| 精品一区二区三区四区五区乱码| 婷婷成人精品国产| 国产av又大| 在线观看www视频免费| 又大又爽又粗| 少妇 在线观看| 亚洲精华国产精华精| av免费在线观看网站| 久久精品91无色码中文字幕| 在线观看66精品国产| 99riav亚洲国产免费| 亚洲三区欧美一区| 成年人黄色毛片网站| 亚洲精品中文字幕在线视频| 中文字幕人妻熟女乱码| 亚洲少妇的诱惑av| 亚洲综合色网址| 欧美变态另类bdsm刘玥| 久久久精品国产亚洲av高清涩受| 波多野结衣av一区二区av| 制服人妻中文乱码| 日韩欧美免费精品| 久久久久久免费高清国产稀缺| 一本—道久久a久久精品蜜桃钙片| 国产精品免费一区二区三区在线 | 午夜久久久在线观看| 亚洲精品粉嫩美女一区| 久久久久网色| 操出白浆在线播放| 日韩欧美一区视频在线观看| 亚洲成人手机| 丝袜人妻中文字幕| 丁香六月天网| 久久久久久久久免费视频了| 黄频高清免费视频| 免费在线观看影片大全网站| 2018国产大陆天天弄谢| 性高湖久久久久久久久免费观看| 久热爱精品视频在线9| 亚洲国产av影院在线观看| 他把我摸到了高潮在线观看 | 视频在线观看一区二区三区| 精品人妻1区二区| 最近最新中文字幕大全电影3 | 香蕉国产在线看| 搡老岳熟女国产| 50天的宝宝边吃奶边哭怎么回事| 亚洲七黄色美女视频| 12—13女人毛片做爰片一| 欧美另类亚洲清纯唯美| 久久精品人人爽人人爽视色| av免费在线观看网站| 精品久久久久久电影网| 欧美激情 高清一区二区三区| 中文字幕精品免费在线观看视频| 亚洲色图 男人天堂 中文字幕| 99re在线观看精品视频| 午夜福利视频精品| 99riav亚洲国产免费| 午夜福利视频在线观看免费| 精品国产乱子伦一区二区三区| 狠狠狠狠99中文字幕| 午夜精品国产一区二区电影| 久久久精品94久久精品| 叶爱在线成人免费视频播放| 不卡一级毛片| www.精华液| 国产男女超爽视频在线观看| 动漫黄色视频在线观看| 人妻久久中文字幕网| 日韩三级视频一区二区三区| 国产精品免费视频内射| 夜夜夜夜夜久久久久| 99国产精品免费福利视频| a级毛片黄视频| 日本wwww免费看| 免费在线观看完整版高清| 亚洲va日本ⅴa欧美va伊人久久| 99香蕉大伊视频| 人妻 亚洲 视频| 国产亚洲精品一区二区www | 啦啦啦在线免费观看视频4| 亚洲精华国产精华精| 国产野战对白在线观看| 免费在线观看日本一区| 色精品久久人妻99蜜桃| 免费看a级黄色片| 亚洲精品久久午夜乱码| a级毛片在线看网站| 精品亚洲成国产av| 99精品在免费线老司机午夜| 亚洲精品自拍成人| 欧美精品高潮呻吟av久久| 脱女人内裤的视频| 1024视频免费在线观看| 欧美精品高潮呻吟av久久| 国产成人免费无遮挡视频| 欧美亚洲 丝袜 人妻 在线| 国产日韩欧美在线精品| 美女福利国产在线| 国产精品成人在线| 在线观看免费视频网站a站| 咕卡用的链子| 午夜精品久久久久久毛片777| 另类亚洲欧美激情| 亚洲va日本ⅴa欧美va伊人久久| 无人区码免费观看不卡 | 国产亚洲精品一区二区www | 亚洲午夜理论影院| 亚洲天堂av无毛| 精品人妻在线不人妻| 久久99热这里只频精品6学生|