Maskinlæring sætter et nyt spin på spin-modeller

Forskere fra Tokyo Metropolitan University har brugt maskinlæring til at analysere spin-modeller, som bruges i fysik til at studere faseovergange. Tidligere arbejde viste, at en billed-/håndskriftsklassifikationsmodel kunne anvendes til at skelne mellem tilstande i de simpleste modeller. Holdet viste, at tilgangen er anvendelig til mere komplekse modeller og fandt ud af, at en AI trænet på én model og anvendt på en anden kunne afsløre vigtige ligheder mellem forskellige faser i forskellige systemer.

Maskinlæring og kunstig intelligens (AI) revolutionerer, hvordan vi lever, arbejde, Spil, og køre. selvkørende biler, algoritmen, der slog en Go-stormester og fremskridt inden for finansiering, er kun toppen af ​​isbjerget af en lang række applikationer, der nu har en betydelig indvirkning på samfundet. AI laver også bølger inden for videnskabelig forskning. En vigtig attraktion ved disse algoritmer er, at de kan trænes med præklassificerede data (f.eks. billeder af håndskrevne bogstaver) og anvendes til at klassificere et meget bredere udvalg af data.

Inden for det kondenserede stofs fysik, nyere værk af Carrasquilla og Melko ( Naturfysik (2017) 13, 431-434) har vist, at neurale netværk, den samme slags AI, der bruges til at fortolke håndskrift, kunne bruges til at skelne mellem forskellige faser af stof (f.eks. gas, væske og faste stoffer) i simple fysiske modeller. De studerede Ising-modellen, den enkleste model for fremkomsten af ​​magnetisme i materialer. Et gitter af atomer med et spin (op eller ned) har en energi, der afhænger af den relative justering af tilstødende spins. Afhængig af forholdene, disse spins kan opstilles i en ferromagnetisk fase (som jern) eller antage tilfældige retninger i en paramagnetisk fase. Som regel, undersøgelser af denne type system involverer at analysere en gennemsnitlig mængde (f.eks. summen af ​​alle spins). Det faktum, at en hel mikroskopisk konfiguration kan bruges til at klassificere en fase, præsenterede et ægte paradigmeskifte.

Nu, et hold ledet af professorerne Hiroyuki Mori og Yutaka Okabe fra Tokyo Metropolitan University samarbejder med Bioinformatics Institute i Singapore for at tage denne tilgang til næste niveau. I sin eksisterende form, metoden fra Carrasquilla og Melko kan ikke anvendes på mere komplekse modeller end Ising-modellen. For eksempel, tag q-state Potts-modellen, hvor atomer kan tage en af ​​q-tilstande i stedet for bare "op" eller "ned". Selvom det også har en faseovergang, at fortælle faserne fra hinanden er ikke trivielt. Faktisk, i tilfælde af en femstatsmodel, der er 120 tilstande, der er fysisk ækvivalente. For at hjælpe en AI med at skelne faserne fra hinanden, holdet gav det mere mikroskopisk information, specifikt, hvordan et bestemt atoms tilstand forholder sig til et andet atoms tilstand et stykke væk, eller hvordan spins korrelerer over adskillelse. Efter at have trænet AI med mange af disse korrelationskonfigurationer for tre- og fem-stats Potts-modeller, de fandt ud af, at den korrekt kunne klassificere faser og identificere temperaturen, hvor overgangen fandt sted. Forskerne kunne også korrekt redegøre for antallet af point i deres gitter, den endelige effekt.

Efter at have demonstreret, at deres metode virker, de prøvede den samme tilgang på en q-state urmodel, hvor spin antager en af ​​q-retningerne på en cirkel. Når q er større end eller lig med fem, der er tre faser, som systemet kan tage:en bestilt lavtemperaturfase, en højtemperaturfase, og en fase derimellem kendt som Berezinskii-Kosterlitz-Thouless (BKT) fase, hvis undersøgelse vandt John M. Kosterlitz, David J. Thouless og Duncan Haldane 2016 Nobelprisen i fysik. De trænede med succes en AI til at skelne de tre faser fra hinanden med en seks-stats urmodel. Da de anvendte det på konfigurationer fra en fire-stats urmodel, hvor der kun forventes to faser, de opdagede, at algoritmen kunne klassificere systemet som værende i en BKT-fase nær faseovergangen. Dette viser, at der er en dyb forbindelse mellem BKT-fasen og den kritiske fase, der opstår ved det glatte 'andenordens' faseovergangspunkt i fire-statssystemet.

Metoden præsenteret af teamet er generelt anvendelig til en bred vifte af videnskabelige problemer. En central del af fysikken er universalitet, identificere træk i tilsyneladende uafhængige systemer eller fænomener, der giver anledning til ensartet adfærd. Machine learning er unikt egnet til at tease disse funktioner ud af de mest komplekse modeller og systemer, lader videnskabsmænd tage et kig på de dybe forbindelser, der styrer naturen og vores univers.