Termodynamikens andra lag beskriver en asymmetri i hur fysiska system utvecklas över tiden, känd som tidens pil. I makroskopiska system, denna asymmetri har en tydlig riktning (t.ex. man kan enkelt märka om en video som visar ett systems utveckling över tid spelas normalt eller bakåt).

I den mikroskopiska världen, dock, denna riktning är inte alltid uppenbar. Faktiskt, fluktuationer i mikroskopiska system kan leda till tydliga brott mot termodynamikens andra lag, vilket gör att tidens pil blir suddig och mindre definierad. Som ett resultat, när du tittar på en video av en mikroskopisk process, det kan vara svårt, om inte omöjligt, för att avgöra om den spelas normalt eller baklänges.

Forskare vid University of Maryland utvecklade en maskininlärningsalgoritm som kan sluta sig till riktningen för den termodynamiska tidens pil i både makroskopiska och mikroskopiska processer. Denna algoritm, presenteras i en tidning publicerad i Naturfysik , kan i slutändan hjälpa till att avslöja nya fysikaliska principer relaterade till termodynamik.

"Jag lärde mig om termodynamik i liten skala när jag tog en kurs i statistisk mekanik utan jämvikt som undervisades av prof. Jarzysnki, "Alireza Seif, en av forskarna som genomförde studien, berättade för Phys.org. "På samma gång, Jag utforskade tillämpningar av maskininlärning i fysik, som rönt stort intresse de senaste åren. Ett exempel på maskininlärningsprogram är att klassificera bilder och samma verktyg har använts för att klassificera materiens faser i fysiken. "

När han fortsatte sina studier, Seif insåg att strävan efter att försöka bestämma riktningen för tidspilen också kan inramas som ett klassificeringsproblem. Han började alltså utforska möjligheten att utveckla en maskininlärningsalgoritm som kan bestämma denna riktning och diskuterade denna idé med sina kollegor Mohammad Hafezi och med Christopher Jarzynski. De tre forskarna bestämde sig för att samarbeta. Efter framgången med ett första experiment, de började studera olika fall där deras neurala nätverk kunde ge ny värdefull insikt.

"Vi använde övervakad inlärning och utbildade ett neuralt nätverk för att upptäcka riktningen på tidspilen baserat på en uppsättning simulerade filmer av fysiska processer med motsvarande etiketter som indikerar bakåt/framåt, " Seif förklarade. "Vårt neurala nätverk utmatar ett tal mellan 0 och 1, som beror på ingången (filmen), och nätverkets parametrar (vikter och fördomar). Vi letar sedan efter de parametervärden som minimerar skillnaden mellan utsignalen från det neurala nätverket och de sanna etiketterna (pilens riktning)."

När de använde sitt neurala nätverk för att analysera videor av fysiska processer, de fann att den framgångsrikt kunde förutsäga tidens pilriktning med utmärkt noggrannhet. Dessutom, algoritmens analyser visade att försvunnet arbete är den rätta mängden att använda när man försöker bestämma denna riktning.

I deras studie, forskarna använde också en teknik som kallas inceptionism, introducerades av ett team av mjukvaruingenjörer på Google. Denna teknik gjorde det möjligt för dem att undersöka vad som händer i deras neurala nätverk, identifiera de mest representativa banorna framåt och bakåt.

Till exempel, att avslöja en representativ framåtbana, teamet tog en slumpmässig inmatning med en okänd riktning (dvs. framåt eller bakåt) och ändrade den på ett sådant sätt att nätverksutgången klassificerade den som framåt. De visade sedan att de representativa banorna de avslöjade faktiskt överensstämde med teoretiska förutsägelser.

"Tidens pil i samband med statistisk fysik utan jämvikt har kvantifierats under de senaste decennierna, " Sa Seif. "Det är intressant att en välkänd algoritm (logistisk regression) som fanns årtionden innan dessa satser leder till samma resultat. Det är tänkbart att med sådana numeriska experiment, man skulle kunna komma med den teoretiska formuleringen av lösningen innan den upptäcktes utifrån fysikaliska principer."

Seif och hans kollegor fann att deras algoritm för maskininlärning både löste ett grundläggande fysikproblem och identifierade de viktigaste fysiska parametrarna för att effektivt hantera detta problem. Teamet visade också att riktningen för tidens pil kan härledas utan att behöva specificera vilken exakt fysisk process som äger rum, vilket är mycket utmanande att uppnå manuellt eller analytiskt. I framtiden, teamet planerar att fortsätta utforska potentialen med att använda maskininlärningsalgoritmer för att utföra fysikforskning och göra nya vetenskapliga upptäckter.

"Fysiken i system som inte är i jämvikt är ett speciellt område av intresse för oss, eftersom den har olösta frågor som skulle kunna besvaras genom att studera systemens dynamik med maskininlärningsalgoritmer, " sa Seif. "För att bygga verktygslådan för att svara på dessa frågor, vi måste börja med konkreta exempel som vi vet hur vi ska lösa som testbädd. För närvarande, vi tittar på problem inom statistisk fysik, både på kvant- och klassisk nivå, och försöka förstå vad maskininlärningsverktyg kan lära av experimentella observationer."

© 2020 Science X Network