Mennesket versus maskine:Kan AI udføre videnskab?

I løbet af de sidste par årtier, maskinlæring har revolutioneret mange sektorer af samfundet, med maskiner, der lærer at køre bil, identificere tumorer og spille skak - ofte overgået deres menneskelige modstykker.

Nu, et team af videnskabsmænd baseret på Okinawa Institute of Science and Technology Graduate University (OIST), universitetet i München og CNRS ved universitetet i Bordeaux har vist, at maskiner også kan slå teoretiske fysikere i deres eget spil, løse komplekse problemer lige så præcist som videnskabsmænd, men betydeligt hurtigere.

I undersøgelsen, for nylig udgivet i Fysisk gennemgang B , en maskine lærte at identificere usædvanlige magnetiske faser i en model af pyrochlor - et naturligt forekommende mineral med en tetraedrisk gitterstruktur. Bemærkelsesværdigt, når du bruger maskinen, at løse problemet tog kun et par uger, hvorimod OIST-forskerne tidligere havde brug for seks år.

"Dette føles som et virkelig vigtigt skridt, " sagde professor Nic Shannon, der leder Theory of Quantum Matter (TQM)-enheden på OIST. "Computere er nu i stand til at udføre videnskab på en meget meningsfuld måde og tackle problemer, som længe har frustreret videnskabsmænd."

Kilden til frustration

I alle magneter, hvert atom er forbundet med et lille magnetisk øjeblik - også kendt som "spin". I konventionelle magneter, som dem der holder sig til køleskabe, alle spins er ordnet, så de peger i samme retning, resulterer i et stærkt magnetfelt. Denne rækkefølge er ligesom den måde, atomer ordner i et fast materiale.

Men ligesom stof kan eksistere i forskellige faser – fast, væske og gas - det samme kan magnetiske stoffer. TQM-enheden er interesseret i mere usædvanlige magnetiske faser kaldet "spinvæsker", som kunne have anvendelse i kvanteberegning. I spinde væsker, der konkurrerer, eller "frustrerede" interaktioner mellem spins, så i stedet for at bestille, spindene svinger kontinuerligt i retning - svarende til den uorden, der ses i væskefaser af stof.

Tidligere, TQM-enheden satte sig for at fastslå, hvilke forskellige typer spinvæske der kunne findes i frustrerede pyrochlormagneter. De konstruerede et fasediagram, som viste, hvordan forskellige faser kunne opstå, når spinsene interagerede på forskellige måder, når temperaturen ændrede sig, med deres resultater offentliggjort i Physical Review X i 2017.

Men at sammensætte fasediagrammet og identificere reglerne for interaktionerne mellem spins i hver fase var en besværlig proces.

"Disse magneter er bogstaveligt talt frustrerende, " jokede prof. Shannon. "Selv den enkleste model på et pyrochlorgitter tog vores team år at løse."

Indtast maskinerne

Med stigende fremskridt inden for maskinlæring, TQM-enheden var nysgerrig efter, om maskiner kunne løse et så komplekst problem.

"For at være ærlig, Jeg var ret sikker på, at maskinen ville fejle, " sagde Prof. Shannon. "Det er første gang, jeg er blevet chokeret over et resultat - jeg er blevet overrasket, Jeg har været glad, men aldrig chokeret."

OIST-forskerne gik sammen med maskinlæringseksperter fra universitetet i München, ledet af professor Lode Pollet, som havde udviklet en "tensorial kerne" - en måde at repræsentere spin-konfigurationer på i en computer. Forskerne brugte tensorialkernen til at udstyre en "støtte vektormaskine", som er i stand til at kategorisere komplekse data i forskellige grupper.

"Fordelen ved denne type maskine er, at i modsætning til andre støttevektormaskiner, det kræver ingen forudgående træning, og det er ikke en sort boks – resultaterne kan fortolkes. Dataene er ikke kun klassificeret i grupper; du kan også udspørge maskinen for at se, hvordan den traf sin endelige beslutning og lære om hver gruppes særskilte egenskaber, " sagde Dr. Ludovic Jaubert, en CNRS-forsker ved University of Bordeaux.

Forskerne i München fodrede maskinen med en kvart million spin-konfigurationer genereret af OIST-supercomputersimuleringerne af pyrochlormodellen. Uden nogen information om, hvilke faser der var til stede, det lykkedes maskinen at gengive en identisk version af fasediagrammet.

Vigtigt, da forskerne dechiffrerede "beslutningsfunktionen", som maskinen havde konstrueret for at klassificere forskellige typer spin-væske, de fandt ud af, at computeren også uafhængigt havde fundet ud af de nøjagtige matematiske ligninger, der eksemplificerede hver fase - med hele processen, der tog nogle uger.

"Det meste af denne tid var menneskelig tid, så yderligere hastigheder er stadig mulige, " sagde prof. Pollet. "Baseret på hvad vi nu ved, maskinen kunne løse problemet på en dag."

"Vi er begejstrede for maskinens succes, som kunne have enorme konsekvenser for teoretisk fysik, " tilføjede Prof. Shannon. "Det næste skridt vil være at give maskinen et endnu vanskeligere problem, som mennesker ikke har formået at løse endnu, og se, om maskinen kan gøre det bedre."