Forskare från Tokyo Metropolitan University har använt maskininlärning för att analysera snurrmodeller, som används i fysik för att studera fasövergångar. Tidigare arbete visade att en bild-/handskriftsklassificeringsmodell kunde tillämpas för att skilja tillstånd i de enklaste modellerna. Teamet visade att tillvägagångssättet är tillämpligt på mer komplexa modeller och fann att en AI som utbildats på en modell och tillämpas på en annan kan avslöja viktiga likheter mellan olika faser i olika system.

Maskininlärning och artificiell intelligens (AI) revolutionerar hur vi lever, arbete, spela, och kör. Självkörande bilar, algoritmen som slog en Go -stormästare och framsteg inom finanser är bara toppen av isberget för ett stort antal applikationer som nu har en betydande inverkan på samhället. AI gör också vågor i vetenskaplig forskning. En viktig attraktion för dessa algoritmer är att de kan utbildas med förklassificerade data (t.ex. bilder av handskrivna bokstäver) och tillämpas för att klassificera ett mycket större antal data.

Inom kondensmaterialets fysik, det senaste arbetet av Carrasquilla och Melko ( Naturfysik (2017) 13, 431-434) har visat att neurala nätverk, samma typ av AI som används för att tolka handstil, kan användas för att skilja olika faser av materia (t.ex. gas, vätska och fasta ämnen) i enkla fysiska modeller. De studerade Ising -modellen, den enklaste modellen för uppkomsten av magnetism i material. Ett gitter av atomer med ett snurr (upp eller ner) har en energi som beror på den relativa inriktningen av intilliggande snurr. Beroende på förutsättningarna, dessa snurr kan radas upp i en ferromagnetisk fas (som järn) eller anta slumpmässiga riktningar i en paramagnetisk fas. Vanligtvis, studier av denna typ av system innebär att man analyserar en genomsnittlig mängd (t.ex. summan av alla snurr). Det faktum att en hel mikroskopisk konfiguration kan användas för att klassificera en fas presenterade ett äkta paradigmskifte.

Nu, ett team som leds av professorerna Hiroyuki Mori och Yutaka Okabe från Tokyo Metropolitan University samarbetar med Bioinformatics Institute i Singapore för att ta detta tillvägagångssätt till nästa nivå. I sin befintliga form, metoden för Carrasquilla och Melko kan inte tillämpas på mer komplexa modeller än Ising -modellen. Till exempel, ta Q-state Potts-modellen, där atomer kan ta ett av q -tillstånden istället för bara "upp" eller "ner". Även om den också har en fasövergång, att skilja isär faserna är inte trivialt. Faktiskt, när det gäller en femstatsmodell, det finns 120 stater som är fysiskt ekvivalenta. För att hjälpa en AI att skilja faserna isär, teamet gav den mer mikroskopisk information, specifikt, hur tillståndet för en viss atom förhåller sig till tillståndet för en annan atom långt borta, eller hur snurren korrelerar över separation. Efter att ha tränat AI med många av dessa korrelationskonfigurationer för Potts-modeller med tre och fem tillstånd, de fann att det korrekt kunde klassificera faser och identifiera temperaturen där övergången ägde rum. Forskarna kunde också korrekt redogöra för antalet poäng i sitt galler, den ändliga storlekseffekten.

Efter att ha visat att deras metod fungerar, de försökte samma tillvägagångssätt på en q-state klockmodell, där snurr antar en av q -orienteringarna på en cirkel. När q är större än eller lika med fem, det finns tre faser som systemet kan ta:en beställd lågtemperaturfas, en högtemperaturfas, och en fas däremellan känd som Berezinskii-Kosterlitz-Thouless (BKT) -fasen, vars undersökning vann John M. Kosterlitz, David J. Thouless och Duncan Haldane 2016 års Nobelpris för fysik. De utbildade framgångsrikt en AI för att skilja de tre faserna åt med en sexstatsklocka. När de tillämpade det på konfigurationer från en fyrstatsklockemodell, där endast två faser förväntas, de upptäckte att algoritmen kunde klassificera systemet som i en BKT -fas nära fasövergången. Detta visar att det finns en djup koppling mellan BKT-fasen och den kritiska fasen som uppstår vid den smidiga "andra ordningens" fasövergångspunkt i fyrstatssystemet.

Metoden som presenteras av teamet är i allmänhet tillämplig på ett brett spektrum av vetenskapliga problem. En viktig del av fysiken är universalitet, identifiera egenskaper i till synes orelaterade system eller fenomen som ger upphov till enhetligt beteende. Maskininlärning är unikt lämpad för att reta dessa funktioner ur de mest komplexa modellerna och systemen, låta forskare ta en titt på de djupa förbindelserna som styr naturen och vårt universum.