En algoritm för maskininlärning som är utformad för att lära datorer hur man känner igen foton, talmönster, och handskrivna siffror har nu tillämpats på en mycket annorlunda uppsättning data:identifiera fasövergångar mellan materia-tillstånd.

Denna nya forskning, publicerad idag i Naturfysik av två Perimeter Institute -forskare, byggdes på en enkel fråga:kan branschstandardmaskininlärningsalgoritmer hjälpa till att bränna fysikforskning? Att få reda på, tidigare Perimeter Institute postdoktor Juan Cassasquilla och Roger Melko, en docent vid Perimeter och docent vid University of Waterloo, ändrade Googles TensorFlow, ett bibliotek med öppen källkod för maskininlärning, och tillämpade det på ett fysiskt system.

Melko säger att de inte visste vad de skulle förvänta sig. "Jag trodde att det var ett långskott, "erkänner han.

Använda gigabyte med data som representerar olika tillståndskonfigurationer som skapats med hjälp av simuleringsprogramvara på superdatorer, Carrasquilla och Melko skapade en stor samling "bilder" för att introducera i maskininlärningsalgoritmen (även känd som ett neuralt nätverk). Resultatet:det neurala nätverket utmärkte faser av en enkel magnet, och kunde skilja en ordnad ferromagnetisk fas från en störd högtemperaturfas. Det kan till och med hitta gränsen (eller fasövergången) mellan faser, säger Carrasquilla, som nu arbetar på kvantberäkningsföretaget D-Wave Systems.

"När vi väl såg att de fungerade, då visste vi att de skulle vara användbara för många relaterade problem. Helt plötsligt, himlen är gränsen, "Melko säger." Alla som jag som har tillgång till massiva mängder data kan prova dessa vanliga neurala nätverk. "

Denna forskning, som ursprungligen publicerades som ett förtryck om arXiv i maj, 2016, visar att tillämpning av maskininlärning på kondenserad materia och statistisk fysik kan öppna helt nya möjligheter för forskning och, så småningom, verklig applikation.