Een machine learning-algoritme dat is ontworpen om computers te leren foto's te herkennen, spraakpatronen, en met de hand geschreven cijfers is nu toegepast op een heel andere reeks gegevens:het identificeren van faseovergangen tussen toestanden van materie.

Dit nieuwe onderzoek, vandaag gepubliceerd in Natuurfysica door twee onderzoekers van het Perimeter Institute, is gebaseerd op een simpele vraag:kunnen industriestandaard algoritmen voor machine learning helpen om natuurkundig onderzoek te stimuleren? Er achter komen, voormalig Perimeter Institute postdoctoraal fellow Juan Cassasquilla en Roger Melko, een Associate Faculteitslid bij Perimeter en Associate Professor aan de Universiteit van Waterloo, hergebruikt Google's TensorFlow, een open-source softwarebibliotheek voor machine learning, en toegepast op een fysiek systeem.

Melko zegt dat ze niet wisten wat ze konden verwachten. "Ik dacht dat het een schot in de roos was, " hij geeft toe.

Met behulp van gigabytes aan gegevens die verschillende toestandsconfiguraties vertegenwoordigen die zijn gemaakt met simulatiesoftware op supercomputers, Carrasquilla en Melko hebben een grote verzameling "afbeeldingen" gemaakt om te introduceren in het machine learning-algoritme (ook bekend als een neuraal netwerk). Het resultaat:het neurale netwerk onderscheidde fasen van een eenvoudige magneet, en kon een geordende ferromagnetische fase onderscheiden van een ongeordende fase bij hoge temperatuur. Het kan zelfs de grens (of faseovergang) tussen fasen vinden, zegt Carrasquilla, die nu werkt bij quantum computing-bedrijf D-Wave Systems.

"Toen we zagen dat ze werkten, toen wisten we dat ze nuttig zouden zijn voor veel gerelateerde problemen. Plotseling, alles is mogelijk, " zegt Melko. "Iedereen zoals ik die toegang heeft tot enorme hoeveelheden gegevens, kan deze standaard neurale netwerken proberen."

Dit onderzoek, die oorspronkelijk in mei als preprint op de arXiv werd gepubliceerd, 2016, laat zien dat het toepassen van machinaal leren op gecondenseerde materie en statistische fysica geheel nieuwe mogelijkheden voor onderzoek zou kunnen openen en, eventueel, toepassing in de echte wereld.