In de afgelopen decennia is machine learning heeft een revolutie teweeggebracht in vele sectoren van de samenleving, met machines die auto's leren rijden, tumoren identificeren en schaken, waarbij ze vaak hun menselijke tegenhangers overtreffen.

Nutsvoorzieningen, een team van wetenschappers gevestigd aan de Okinawa Institute of Science and Technology Graduate University (OIST), de Universiteit van München en het CNRS van de Universiteit van Bordeaux hebben aangetoond dat machines ook theoretische natuurkundigen kunnen verslaan in hun eigen spel, complexe problemen net zo nauwkeurig oplossen als wetenschappers, maar aanzienlijk sneller.

In de studie, onlangs gepubliceerd in Fysieke beoordeling B , een machine leerde ongebruikelijke magnetische fasen te identificeren in een model van pyrochloor - een natuurlijk voorkomend mineraal met een tetraëdrische roosterstructuur. Opmerkelijk, wanneer u de machine gebruikt, het oplossen van het probleem duurde slechts een paar weken, terwijl voorheen de OIST-wetenschappers zes jaar nodig hadden.

"Dit voelt als een heel belangrijke stap, " zei professor Nic Shannon, die de Theory of Quantum Matter (TQM) Unit leidt bij OIST. "Computers zijn nu in staat om wetenschap op een zeer zinvolle manier uit te voeren en problemen aan te pakken die wetenschappers al lang gefrustreerd hebben."

De bron van frustratie

In alle magneten, elk atoom wordt geassocieerd met een klein magnetisch moment - ook bekend als 'spin'. Bij conventionele magneten, zoals degenen die aan koelkasten plakken, alle spins zijn zo geordend dat ze in dezelfde richting wijzen, waardoor een sterk magnetisch veld ontstaat. Deze volgorde is vergelijkbaar met de volgorde van atomen in een vast materiaal.

Maar net zoals materie in verschillende fasen kan bestaan ​​- vast, vloeistof en gas, net als magnetische stoffen. De TQM-eenheid is geïnteresseerd in meer ongebruikelijke magnetische fasen die "spinvloeistoffen" worden genoemd, die kunnen worden gebruikt in kwantumberekening. In spinvloeistoffen, er zijn concurrerende, of "gefrustreerde" interacties tussen de spins, dus in plaats van te bestellen, de spins fluctueren continu in richting - vergelijkbaar met de wanorde die wordt waargenomen in vloeibare fasen van materie.

Eerder, de TQM-eenheid ging op zoek naar de verschillende soorten spinvloeistof die in gefrustreerde pyrochloormagneten zouden kunnen voorkomen. Ze construeerden een fasediagram, die liet zien hoe verschillende fasen kunnen optreden wanneer de spins op verschillende manieren op elkaar inwerken als de temperatuur verandert, met hun bevindingen gepubliceerd in Physical Review X in 2017.

Maar het samenstellen van het fasediagram en het identificeren van de regels voor de interacties tussen spins in elke fase was een moeizaam proces.

"Deze magneten zijn letterlijk frustrerend, " grapte prof. Shannon. "Zelfs het eenvoudigste model op een pyrochloorrooster kostte ons team jaren om op te lossen."

Betreed de machines

Met de toenemende vooruitgang in machine learning, de TQM-eenheid was benieuwd of machines zo'n complex probleem konden oplossen.

"Om eerlijk te zijn, Ik was er vrij zeker van dat de machine zou falen, " zei prof. Shannon. "Dit is de eerste keer dat ik geschokt ben door een resultaat - ik ben verrast, ik ben blij geweest, maar nooit geschokt."

De OIST-wetenschappers werkten samen met machine learning-experts van de Universiteit van München, onder leiding van professor Lode Pollet, die een "tensorial kernel" had ontwikkeld - een manier om spinconfiguraties in een computer weer te geven. De wetenschappers gebruikten de tensoriale kernel om een ​​"support vector machine" uit te rusten, die in staat is om complexe gegevens in verschillende groepen te categoriseren.

"Het voordeel van dit type machine is dat, in tegenstelling tot andere ondersteunende vectormachines, er is geen voorafgaande training voor nodig en het is geen zwarte doos - de resultaten kunnen worden geïnterpreteerd. De gegevens zijn niet alleen in groepen ingedeeld; je kunt de machine ook ondervragen om te zien hoe deze zijn uiteindelijke beslissing heeft genomen en meer te weten komen over de verschillende eigenschappen van elke groep, " zei Dr. Ludovic Jaubert, een CNRS-onderzoeker aan de Universiteit van Bordeaux.

De wetenschappers uit München voedden de machine met een kwart miljoen spinconfiguraties gegenereerd door de OIST-supercomputersimulaties van het pyrochloormodel. Zonder enige informatie over welke fasen aanwezig waren, de machine slaagde erin om een ​​identieke versie van het fasediagram te reproduceren.

belangrijk, toen de wetenschappers de "beslissingsfunctie" ontcijferden die de machine had geconstrueerd om verschillende soorten spinvloeistof te classificeren, ze ontdekten dat de computer ook onafhankelijk de exacte wiskundige vergelijkingen had bedacht die een voorbeeld waren van elke fase - waarbij het hele proces een kwestie van weken in beslag nam.

"Het grootste deel van deze tijd was menselijke tijd, dus verdere versnellingen zijn nog steeds mogelijk, " zei prof. Pollet. "Op basis van wat we nu weten, de machine zou het probleem in een dag kunnen oplossen."

"We zijn enthousiast over het succes van de machine, die enorme implicaties kunnen hebben voor de theoretische natuurkunde, " voegde Prof. Shannon toe. "De volgende stap zal zijn om de machine een nog moeilijker probleem te geven, die mensen nog niet hebben kunnen oplossen, and see whether the machine can do better."