At lære maskiner at spotte væsentlig information i fysiske systemer

To fysikere ved ETH Zürich og det hebraiske universitet i Jerusalem har udviklet en ny maskinlæringsalgoritme, der analyserer store datasæt, der beskriver et fysisk system, og udtrækker fra dem den væsentlige information, der er nødvendig for at forstå den underliggende fysik.

I løbet af det seneste årti, maskinlæring har muliggjort banebrydende fremskridt inden for computervision, talegenkendelse og oversættelse. For nylig, maskinlæring er også blevet anvendt på fysikproblemer, typisk til klassificering af fysiske faser og numerisk simulering af grundtilstande. Maciej Koch-Janusz, en forsker ved Institut for Teoretisk Fysik ved ETH Zürich, Schweiz, og Zohar Ringel fra det hebraiske universitet i Jerusalem, Israel, har nu undersøgt den spændende mulighed for at udnytte maskinlæring ikke som en numerisk simulator eller en "hypotesetester, "men som en integreret del af den fysiske ræsonnementproces.

Et vigtigt skridt i forståelsen af ​​et fysisk system bestående af et stort antal entiteter – f.eks. atomerne, der udgør et magnetisk materiale - er at identificere blandt systemets mange frihedsgrader dem, der er mest relevante for dets fysiske opførsel. Dette er traditionelt et skridt, der er stærkt afhængig af menneskelig intuition og erfaring. Men nu, Koch-Janusz og Ringel demonstrerer en maskinlæringsalgoritme baseret på et kunstigt neuralt netværk, der er i stand til netop det, som de beretter i journalen Naturfysik . Deres algoritme tager data om et fysisk system uden nogen forudgående viden om det og udtrækker de frihedsgrader, der er mest relevante for at beskrive systemet.

Teknisk set, maskinen udfører et af de afgørende trin i et af de konceptuelt mest dybtgående værktøjer i moderne teoretisk fysik, den såkaldte renormaliseringsgruppe. Koch-Janusz og Ringels algoritme giver en kvalitativt ny tilgang:de interne datarepræsentationer opdaget af passende designede maskinlæringssystemer anses ofte for at være uklare, men resultaterne fra deres algoritme giver grundlæggende fysisk indsigt, afspejler den underliggende struktur af det fysiske system. Dette øger udsigten til at anvende maskinlæring i videnskaben på en kollaborativ måde, kombinerer maskinernes kraft til at destillere information fra enorme datasæt med menneskelig kreativitet og baggrundsviden.