Forskere anvender maskinlæring til kondenseret stofs fysik

En maskinlæringsalgoritme designet til at lære computere at genkende fotos, talemønstre, og håndskrevne cifre er nu blevet anvendt på et vidt forskelligt sæt data:identifikation af faseovergange mellem stoftilstande.

Denne nye forskning, offentliggjort i dag i Naturfysik af to Perimeter Institute-forskere, var bygget på et simpelt spørgsmål:kunne industristandard maskinlæringsalgoritmer hjælpe med at brænde fysikforskning? At finde ud af, tidligere Perimeter Institute-postdoktor Juan Cassasquilla og Roger Melko, et associeret fakultetsmedlem ved Perimeter og lektor ved University of Waterloo, genbrugte Googles TensorFlow, et open source-softwarebibliotek til maskinlæring, og anvendte det til et fysisk system.

Melko siger, at de ikke vidste, hvad de skulle forvente. "Jeg troede, det var et langt skud, " indrømmer han.

Brug af gigabyte data, der repræsenterer forskellige tilstandskonfigurationer, der er oprettet ved hjælp af simuleringssoftware på supercomputere, Carrasquilla og Melko skabte en stor samling af "billeder" til at introducere i maskinlæringsalgoritmen (også kendt som et neuralt netværk). Resultatet:det neurale netværk skelnede faser af en simpel magnet, og kunne skelne en ordnet ferromagnetisk fase fra en uordnet højtemperaturfase. Det kunne endda finde grænsen (eller faseovergangen) mellem faser, siger Carrasquilla, som nu arbejder hos kvantecomputervirksomheden D-Wave Systems.

"Da vi så, at de virkede, så vidste vi, at de ville være nyttige til mange relaterede problemer. Lige pludselig, himlen er grænsen, " siger Melko. "Alle som mig, der har adgang til enorme mængder data, kan prøve disse standard neurale netværk."

Denne forskning, som oprindeligt blev udgivet som et fortryk på arXiv i maj, 2016, viser, at anvendelse af maskinlæring på kondenseret stof og statistisk fysik kunne åbne helt nye muligheder for forskning og, til sidst, applikation fra den virkelige verden.