En algoritme til maskinindlæring, der kan udlede retningen af ​​tidens termodynamiske pil

Termodynamikkens anden lov afgrænser en asymmetri i, hvordan fysiske systemer udvikler sig over tid, kendt som tidens pil. I makroskopiske systemer, denne asymmetri har en klar retning (f.eks. man kan let se, om en video, der viser et systems udvikling over tid, afspilles normalt eller baglæns).

I den mikroskopiske verden, imidlertid, denne retning er ikke altid synlig. Faktisk, udsving i mikroskopiske systemer kan føre til klare overtrædelser af termodynamikkens anden lov, hvilket får tidens pil til at blive sløret og mindre defineret. Som resultat, når man ser en video af en mikroskopisk proces, det kan være svært, hvis ikke umuligt, for at afgøre, om det spilles normalt eller baglæns.

Forskere ved University of Maryland udviklede en maskinlæringsalgoritme, der kan udlede retningen af ​​den termodynamiske pil i tiden i både makroskopiske og mikroskopiske processer. Denne algoritme, præsenteret i et papir udgivet i Naturfysik , i sidste ende kunne hjælpe med at afdække nye fysiske principper relateret til termodynamik.

"Jeg lærte om termodynamik i små skalaer, da jeg tog et kursus i ikke-ligevægtsstatistisk mekanik undervist af prof. Jarzysnki, "Alireza Seif, en af ​​forskerne, der gennemførte undersøgelsen, fortalte Phys.org. "På samme tid, Jeg undersøgte anvendelser af maskinlæring i fysik, som har tiltrukket stor interesse de seneste år. Et eksempel på maskinlæringsapplikationer er klassificering af billeder, og de samme værktøjer er blevet brugt til at klassificere faser af stof i fysik. "

Da han fortsatte sine studier, Seif indså, at søgen efter at forsøge at bestemme retningen af ​​tidspilen også kunne indrammes som et klassificeringsproblem. Han begyndte således at undersøge muligheden for at udvikle en algoritme til maskinlæring, der kan bestemme denne retning, og diskuterede denne idé med sine kolleger Mohammad Hafezi og med Christopher Jarzynski. De tre forskere besluttede at samarbejde. Efter succesen med et indledende eksperiment, de begyndte at studere forskellige tilfælde, hvor deres neurale netværk kunne give ny værdifuld indsigt.

"Vi brugte overvåget læring og uddannede et neuralt netværk til at registrere retningen af ​​tidspilen baseret på et sæt simulerede film af fysiske processer med tilhørende etiketter, der angiver baglæns/fremad, "Seif forklaret." Vores neurale netværk udsender et tal mellem 0 og 1, som afhænger af input (filmen), og netværkets parametre (vægte og fordomme). Vi leder derefter efter de parameterværdier, der minimerer forskellen mellem output fra det neurale netværk og de sande etiketter (tidens pil). "

Da de brugte deres neurale netværk til at analysere videoer af fysiske processer, de fandt ud af, at det med succes kunne forudsige retningen af ​​tidens pil med fremragende nøjagtighed. Ud over, algoritmens analyser afslørede, at spredt arbejde er den korrekte mængde, der skal bruges, når man forsøger at bestemme denne retning.

I deres undersøgelse, forskerne brugte også en teknik kendt som inceptionisme, introduceret af et team af softwareingeniører hos Google. Denne teknik gav dem mulighed for at undersøge, hvad der foregår inde i deres neurale netværk, identifikation af de mest repræsentative frem- og tilbagegående baner.

For eksempel, at afdække en repræsentativ fremadgående bane, holdet tog et tilfældigt input med en ukendt retning (dvs. frem eller tilbage) og ændrede det på en sådan måde, at netværksoutput klassificerede det som fremad. De viste derefter, at de repræsentative baner, de afslørede, faktisk matchede teoretiske forudsigelser.

"Fysikken i tidens pil i forbindelse med statistisk fysik uden balance er blevet kvantificeret i de seneste årtier, "Seif sagde." Det er interessant, at en velkendt algoritme (logistisk regression), der eksisterede årtier før disse sætninger, fører til de samme resultater. Det kan tænkes, at med sådanne numeriske eksperimenter, man kunne komme med den teoretiske formulering af løsningen inden dens opdagelse fra fysiske principper. "

Seif og hans kolleger fandt ud af, at deres maskinlæringsalgoritme både løste et grundlæggende fysikproblem og identificerede de vigtigste fysiske parametre for effektivt at tackle dette problem. Teamet viste også, at retningen af ​​tidens pil kan udledes uden behov for at specificere, hvilken nøjagtig fysisk proces der finder sted, hvilket er meget udfordrende at opnå manuelt eller analytisk. I fremtiden, teamet planlægger at fortsætte med at undersøge potentialet ved at bruge maskinlæringsalgoritmer til at udføre fysikforskning og foretage nye videnskabelige opdagelser.

"Fysikken i systemer, der er ude af ligevægt, er et særligt interesseområde for os, da den har uløste spørgsmål, der kunne besvares ved at studere dynamikken i systemerne med maskinlæringsalgoritmer, "Seif sagde." For at bygge værktøjskassen til at besvare disse spørgsmål, vi skal starte med konkrete eksempler, som vi ved, hvordan vi skal løse som et testbed. I øjeblikket, vi ser på problemer i statistisk fysik, både i kvante- og klassisk domæne, og forsøger at forstå, hvad maskinlæringsværktøjer kan lære af eksperimentelle observationer. "

© 2020 Science X Network