Kristallstrukturen i pyroklor innehåller magnetiska atomer, som är anordnade för att bilda ett galler av tetraedriska former, sammanfogade i varje hörn. Kredit:Theory of Quantum Matter Unit, OIST
Under de senaste decennierna har maskininlärning har revolutionerat många samhällssektorer, med maskiner som lär sig att köra bil, identifiera tumörer och spela schack - ofta överträffar deras mänskliga motsvarigheter.
Nu, ett team av forskare baserade vid Okinawa Institute of Science and Technology Graduate University (OIST), universitetet i München och CNRS vid universitetet i Bordeaux har visat att maskiner också kan slå teoretiska fysiker i sitt eget spel, lösa komplexa problem lika exakt som forskare, men betydligt snabbare.
I studien, nyligen publicerad i Fysisk granskning B , en maskin lärde sig att identifiera ovanliga magnetfaser i en modell av pyroklor-ett naturligt förekommande mineral med en tetraedral gitterstruktur. Anmärkningsvärt, när du använder maskinen, att lösa problemet tog bara några veckor, medan OIST -forskarna tidigare behövde sex år.
"Det här känns som ett riktigt viktigt steg, "sade professor Nic Shannon, som leder Theory of Quantum Matter (TQM) Unit på OIST. "Datorer kan nu utföra vetenskap på ett mycket meningsfullt sätt och hantera problem som länge har frustrerat forskare."
Frustrationens källa
I alla magneter, varje atom är associerad med ett litet magnetiskt ögonblick - även känt som "snurr". I konventionella magneter, som de som håller sig till kylskåp, alla snurr är ordnade så att de pekar i samma riktning, resulterar i ett starkt magnetfält. Denna ordning är som hur atomer ordnar i ett fast material.
Fasdiagrammet producerat av Theory of Quantum Mater -enheten vid OIST, visar alla de olika magnetiska faserna som finns i den enklaste modellen på ett pyroklorigitter. Fas III, VI och V är spinnvätskor. Kredit:Bild återges med tillstånd från American Physical Society från Phys. Rev. X, 2017, 7, 041057
Men precis som materia kan existera i olika faser - fast, vätska och gas - så kan magnetiska ämnen också. TQM -enheten är intresserad av mer ovanliga magnetfaser som kallas "spinnvätskor", som kan ha användningsområden vid kvantberäkning. I centrifugeringsvätskor, det tävlar, eller "frustrerade" interaktioner mellan snurr, så istället för att beställa, snurrarna fluktuerar kontinuerligt i riktning - liknande den störning som ses i vätskefaser av materia.
Tidigare, TQM -enheten bestämde sig för att fastställa vilka olika typer av spinnvätska som kan existera i frustrerade pyrokloremagneter. De konstruerade ett fasdiagram, som visade hur olika faser kan uppstå när snurren interagerar på olika sätt när temperaturen ändras, med sina resultat publicerade i Physical Review X 2017.
Men att sätta ihop fasdiagrammet och identifiera reglerna för samspelet mellan snurr i varje fas var en mödosam process.
"Dessa magneter är bokstavligen frustrerande, "skojade prof. Shannon." Även den enklaste modellen på ett pyroklorigitter tog vårt team år att lösa. "
Gå in i maskinerna
Med ökande framsteg inom maskininlärning, TQM -enheten var nyfiken på om maskiner kunde lösa ett så komplext problem.
Fasdiagrammet som återges av maskinen. För jämförelse, fasgränserna som tidigare fastställts av forskarna utan maskinen har dragits över toppen. Kredit:Bild återges med tillstånd från American Physical Society från Phys. Rev B, 2019, 100, 174408
"För att vara ärlig, Jag var ganska säker på att maskinen skulle misslyckas, "sa professor Shannon." Det här är första gången jag har chockats av ett resultat - jag har blivit förvånad, Jag har varit glad, men aldrig chockad. "
OIST -forskarna samarbetade med maskininlärningsexperter från Münchens universitet, ledd av professor Lode Pollet, som hade utvecklat en "tensoralkärna" - ett sätt att representera spinnkonfigurationer i en dator. Forskarna använde tensoralkärnan för att utrusta en "stödvektormaskin", som kan kategorisera komplexa data i olika grupper.
"Fördelen med denna typ av maskin är att till skillnad från andra stödvektormaskiner, det kräver ingen tidigare utbildning och det är inte en svart låda - resultaten kan tolkas. Uppgifterna är inte bara klassificerade i grupper; du kan också förhöra maskinen för att se hur den tog sitt slutgiltiga beslut och lära sig om de olika egenskaperna för varje grupp, sa Dr Ludovic Jaubert, en CNRS -forskare vid University of Bordeaux.
Münchenforskarna matade maskinen med en kvarts miljon spinnkonfigurationer som genererades av OIST -superdatorsimuleringarna av pyrokloremodellen. Utan någon information om vilka faser som fanns, maskinen lyckades återskapa en identisk version av fasdiagrammet.
Viktigt, när forskarna dechiffrerade "beslutsfunktionen" som maskinen hade konstruerat för att klassificera olika typer av spinnvätska, de fann att datorn också självständigt hade räknat ut de exakta matematiska ekvationerna som exemplifierade varje fas - med att hela processen tog några veckor.
"Det mesta av denna tid var mänsklig tid, så ytterligare hastighetsuppgångar är fortfarande möjliga, "sade professor Pollet." Baserat på vad vi nu vet, maskinen kan lösa problemet på en dag. "
"Vi är glada över maskinens framgångar, vilket kan ha enorma konsekvenser för teoretisk fysik, " added Prof. Shannon. "The next step will be to give the machine an even more difficult problem, that humans haven't managed to solve yet, and see whether the machine can do better."
