Två fysiker vid ETH Zürich och hebreiska universitetet i Jerusalem har utvecklat en ny maskininlärningsalgoritm som analyserar stora datamängder som beskriver ett fysiskt system och extraherar från dem den väsentliga information som behövs för att förstå den underliggande fysiken.

Under det senaste decenniet, maskininlärning har möjliggjort banbrytande framsteg inom datorseende, taligenkänning och översättning. På senare tid, maskininlärning har också tillämpats på fysikproblem, typiskt för klassificering av fysiska faser och numerisk simulering av marktillstånd. Maciej Koch-Janusz, en forskare vid Institutet för teoretisk fysik vid ETH Zürich, Schweiz, och Zohar Ringel från Hebrew University of Jerusalem, Israel, har nu utforskat den spännande möjligheten att utnyttja maskininlärning inte som en numerisk simulator eller en "hypotestestare, " men som en integrerad del av den fysiska resonemangsprocessen.

Ett viktigt steg för att förstå ett fysiskt system som består av ett stort antal enheter – t.ex. atomerna som utgör ett magnetiskt material – är att identifiera bland de många frihetsgraderna i systemet de som är mest relevanta för dess fysiska beteende. Detta är traditionellt ett steg som är starkt beroende av mänsklig intuition och erfarenhet. Men nu, Koch-Janusz och Ringel demonstrerar en maskininlärningsalgoritm baserad på ett artificiellt neuralt nätverk som kan göra just det, som de rapporterar i journalen Naturfysik . Deras algoritm tar data om ett fysiskt system utan några förkunskaper om det och extraherar de frihetsgrader som är mest relevanta för att beskriva systemet.

Tekniskt talat, maskinen utför ett av de avgörande stegen i ett av de begreppsmässigt mest djupgående verktygen inom modern teoretisk fysik, den så kallade renormaliseringsgruppen. Koch-Janusz och Ringels algoritm ger ett kvalitativt nytt tillvägagångssätt:de interna datarepresentationer som upptäckts av lämpligt utformade maskininlärningssystem anses ofta vara oklara, men resultaten från deras algoritm ger grundläggande fysisk insikt, återspeglar den underliggande strukturen i det fysiska systemet. Detta ökar möjligheten att använda maskininlärning inom vetenskapen på ett samarbetssätt, kombinerar kraften hos maskiner för att destillera information från stora datamängder med mänsklig kreativitet och bakgrundskunskap.