Twee natuurkundigen van ETH Zürich en de Hebreeuwse Universiteit van Jeruzalem hebben een nieuw algoritme voor machinaal leren ontwikkeld dat grote datasets analyseert die een fysiek systeem beschrijven en daaruit de essentiële informatie extraheren die nodig is om de onderliggende fysica te begrijpen.

In het afgelopen decennium is machine learning heeft baanbrekende vooruitgang mogelijk gemaakt op het gebied van computervisie, spraakherkenning en vertaling. Recenter, machine learning is ook toegepast op natuurkundige problemen, typisch voor de classificatie van fysieke fasen en de numerieke simulatie van grondtoestanden. Maciej Koch-Janusz, een onderzoeker aan het Instituut voor Theoretische Fysica aan de ETH Zürich, Zwitserland, en Zohar Ringel van de Hebreeuwse Universiteit van Jeruzalem, Israël, hebben nu de opwindende mogelijkheid onderzocht om machine learning te gebruiken, niet als een numerieke simulator of een "hypothesetester, " maar als een integraal onderdeel van het fysieke redeneringsproces.

Een belangrijke stap in het begrijpen van een fysiek systeem dat uit een groot aantal entiteiten bestaat, bijvoorbeeld de atomen waaruit een magnetisch materiaal bestaat – is om onder de vele vrijheidsgraden van het systeem die te identificeren die het meest relevant zijn voor zijn fysieke gedrag. Dit is traditioneel een stap die sterk afhankelijk is van menselijke intuïtie en ervaring. Maar nu, Koch-Janusz en Ringel demonstreren een machine-learning algoritme gebaseerd op een kunstmatig neuraal netwerk dat precies dat kan doen, zoals ze rapporteren in het journaal Natuurfysica . Hun algoritme neemt gegevens over een fysiek systeem zonder enige voorkennis ervan en extraheert die vrijheidsgraden die het meest relevant zijn om het systeem te beschrijven.

Technisch sprekend, de machine voert een van de cruciale stappen uit van een van de conceptueel meest diepgaande instrumenten van de moderne theoretische fysica, de zogenaamde renormalisatiegroep. Het algoritme van Koch-Janusz en Ringel biedt een kwalitatief nieuwe benadering:de interne gegevensrepresentaties die worden ontdekt door geschikt ontworpen machine-learningsystemen worden vaak als obscuur beschouwd, maar de resultaten van hun algoritme bieden fundamenteel fysiek inzicht, als gevolg van de onderliggende structuur van het fysieke systeem. Dit verhoogt het vooruitzicht om machine learning in de wetenschap op een collaboratieve manier in te zetten, het combineren van de kracht van machines om informatie uit enorme datasets te distilleren met menselijke creativiteit en achtergrondkennis.