Teoretiska fysiker från ETH Zürich vilseledde medvetet intelligenta maskiner, och därmed förädlade processen för maskininlärning. De skapade en ny metod som gör att datorer kan kategorisera data - även när människor inte har en aning om hur denna kategorisering kan se ut.

När datorer oberoende identifierar vattendrag och deras konturer i satellitbilder, eller slå världens bästa professionella spelare på brädspelet Go, då fungerar adaptiva algoritmer i bakgrunden. Programmerare förser dessa algoritmer med kända exempel i en träningsfas:bilder av vatten- och landmassor, eller sekvenser av Go -drag som har lett till framgång eller misslyckande i turneringar. På samma sätt som hur våra hjärnans nervceller producerar nya nätverk under inlärningsprocesser, de speciella algoritmerna anpassar sig i inlärningsfasen baserat på exemplen som presenteras för dem. Detta fortsätter tills de kan skilja vattenmassor från land i okända bilder, eller framgångsrika sekvenser av drag från misslyckade sådana.

Tills nu, dessa artificiella neurala nätverk har använts i maskininlärning med ett känt beslutskriterium:vi vet vad en vattendrag är och vilka sekvenser av drag som var framgångsrika i Go-turneringar.

Att skilja vete från agnar

Nu, en grupp forskare som arbetar under Sebastian Huber, Professor i kondenserad materieteori och kvantoptik vid ETH Zürich, har utökat applikationerna för dessa neurala nätverk genom att utveckla en metod som inte bara tillåter kategorisering av data, men inser också om komplexa datamängder alls innehåller kategorier.

Sådana frågor uppstår inom vetenskapen:till exempel metoden kan vara användbar för analys av mätningar från partikelacceleratorer eller astronomiska observationer. Fysikerna kunde därmed filtrera bort de mest lovande mätningarna från sina ofta ohanterliga mängder mätdata. Farmakologer kan extrahera molekyler med en viss sannolikhet att ha en specifik farmaceutisk effekt eller bieffekt från stora molekylära databaser. Och datavetenskapare kunde sortera enorma massor av störda datakrusningar och få användbar information (data mining).

Sök efter en gräns

ETH -forskarna tillämpade sin metod på ett intensivt undersökt fenomen av teoretisk fysik:ett mångkroppssystem av interagerande magnetiska dipoler som aldrig når ett jämviktstillstånd - inte ens på lång sikt. Sådana system har beskrivits nyligen, men det är ännu inte känt i detalj vilka kvantfysiska egenskaper som hindrar ett mångkroppssystem från att komma in i ett jämviktstillstånd. Särskilt, det är oklart var exakt gränsen ligger mellan system som når jämvikt och de som inte gör det.

För att hitta denna gräns, forskarna utvecklade principen "agera som om":ta data från kvantsystem, de etablerade en godtycklig gräns baserad på en parameter och använde den för att dela upp data i två grupper. De tränade sedan ett artificiellt neuralt nätverk genom att låtsas att den ena gruppen nådde ett jämviktstillstånd medan den andra inte gjorde det. Således, forskarna agerade som om de visste var gränsen gick.

Forskare förvirrade systemet

De tränade nätverket otaliga gånger totalt sett, med en annan gräns varje gång, och testade nätverkets förmåga att sortera data efter varje session. Resultatet blev att, i många fall, nätverket kämpade med att klassificera data som forskarna hade. Men i vissa fall, indelningen i de två grupperna var mycket exakt.

Forskarna kunde visa att denna sorteringsprestanda beror på gränsens läge. Evert van Nieuwenburg, en doktorand i Hubers grupp, förklarar detta så här:"Genom att välja att träna med en gräns långt bort från den faktiska gränsen (som jag inte vet), Jag kan vilseleda nätverket. I slutändan tränar vi nätverket fel - och felaktigt utbildade nätverk är väldigt dåliga på att klassificera data. "Men om av en slump en gräns väljs nära den faktiska gränsen, en mycket effektiv algoritm produceras. Genom att bestämma algoritmens prestanda, forskarna kunde spåra gränsen mellan kvantsystem som når jämvikt och de som inte gör det:gränsen ligger där nätverkets sorteringsprestanda är högst.

Forskarna demonstrerade också möjligheterna med deras nya metod med hjälp av ytterligare två frågor från teoretisk fysik:topologiska fasövergångar i endimensionella fasta ämnen och Ising-modellen, som beskriver magnetism inuti fasta ämnen.

Kategorisering utan förkunskaper

Den nya metoden kan också illustreras i förenklad form med ett tankeexperiment, där vi vill klassificera rött, rödaktig, blå och blå bollar i två grupper. Vi antar att vi inte har en aning om hur en sådan klassificering rimligen kan se ut.

Om ett neuralt nätverk tränas genom att berätta att skiljelinjen ligger någonstans i den röda regionen, då kommer detta att förvirra nätverket. "Du försöker lära nätverket att blå och rödaktiga bollar är desamma och ber den att skilja mellan röda och röda bollar, vilket den helt enkelt inte kan, säger Huber.

Å andra sidan, om du placerar gränsen i det violetta färgspektrumet, nätverket lär sig en verklig skillnad och sorterar bollarna i röda och blå grupper. Dock, man behöver inte veta i förväg att skiljelinjen ska vara i det violetta området. Genom att jämföra sorteringsprestanda vid olika valda gränser, denna gräns kan hittas utan förkunskaper.