Onderzoekers van de Tokyo Metropolitan University hebben machine learning gebruikt om spinmodellen te analyseren. die in de natuurkunde worden gebruikt om faseovergangen te bestuderen. Eerder werk toonde aan dat een classificatiemodel voor afbeeldingen/handschrift kan worden toegepast om toestanden in de eenvoudigste modellen te onderscheiden. Het team toonde aan dat de aanpak van toepassing is op complexere modellen en ontdekte dat een AI die op het ene model is getraind en op een ander wordt toegepast, belangrijke overeenkomsten tussen verschillende fasen in verschillende systemen kan onthullen.

Machine learning en kunstmatige intelligentie (AI) zorgen voor een revolutie in onze manier van leven, werk, Speel, en rijden. Zelfrijdende auto's, het algoritme dat een Go-grootmeester versloeg en de financiële vooruitgang zijn slechts het topje van de ijsberg van een breed scala aan toepassingen die nu een aanzienlijke impact hebben op de samenleving. AI maakt ook furore in wetenschappelijk onderzoek. Een belangrijke aantrekkingskracht van deze algoritmen is dat ze kunnen worden getraind met vooraf geclassificeerde gegevens (bijv. afbeeldingen van handgeschreven brieven) en worden toegepast om een ​​veel breder scala aan gegevens te classificeren.

Op het gebied van de fysica van de gecondenseerde materie, recent werk van Carrasquilla en Melko ( Natuurfysica (2017) 13, 431-434) heeft aangetoond dat neurale netwerken, dezelfde soort AI die wordt gebruikt om handschrift te interpreteren, kunnen worden gebruikt om verschillende fasen van materie te onderscheiden (bijv. gas, vloeibare en vaste stoffen) in eenvoudige fysische modellen. Ze bestudeerden het Ising-model, het eenvoudigste model voor het ontstaan ​​van magnetisme in materialen. Een rooster van atomen met een spin (omhoog of omlaag) heeft een energie die afhangt van de relatieve uitlijning van aangrenzende spins. Afhankelijk van de voorwaarden, deze spins kunnen zich opstellen in een ferromagnetische fase (zoals ijzer) of willekeurige richtingen aannemen in een paramagnetische fase. Gebruikelijk, studies van dit soort systeem omvatten het analyseren van een gemiddelde hoeveelheid (bijv. de som van alle spins). Het feit dat een volledige microscopische configuratie kan worden gebruikt om een ​​fase te classificeren, was een echte paradigmaverschuiving.

Nutsvoorzieningen, een team onder leiding van professoren Hiroyuki Mori en Yutaka Okabe van de Tokyo Metropolitan University werkt samen met het Bioinformatics Institute in Singapore om deze aanpak naar een hoger niveau te tillen. In zijn bestaande vorm, de methode van Carrasquilla en Melko kan niet worden toegepast op complexere modellen dan het Ising-model. Bijvoorbeeld, neem het q-state Potts-model, waar atomen een van de q-toestanden kunnen aannemen in plaats van alleen "omhoog" of "omlaag". Hoewel het ook een faseovergang heeft, het uit elkaar houden van de fasen is niet triviaal. In feite, in het geval van een vijfstatenmodel, er zijn 120 staten die fysiek equivalent zijn. Om een ​​AI te helpen de fasen uit elkaar te houden, het team gaf het meer microscopische informatie, specifiek, hoe de toestand van een bepaald atoom zich verhoudt tot de toestand van een ander atoom op enige afstand, of hoe de spins correleren over scheiding. Na de AI te hebben getraind met veel van deze correlatieconfiguraties voor Potts-modellen met drie en vijf toestanden, ze ontdekten dat het fasen correct kon classificeren en de temperatuur kon identificeren waar de overgang plaatsvond. De onderzoekers konden ook correct rekening houden met het aantal punten in hun rooster, het eindige-formaat effect.

Nadat ze hebben aangetoond dat hun methode werkt, ze probeerden dezelfde aanpak op een q-state klokmodel, waarbij spins een van de q-oriëntaties op een cirkel aannemen. Als q groter is dan of gelijk is aan vijf, er zijn drie fasen die het systeem kan doorlopen:een geordende lagetemperatuurfase, een hoge temperatuur fase, en een fase daartussen bekend als de Berezinskii-Kosterlitz-Thouless (BKT) fase, waarvan het onderzoek John M. Kosterlitz won, David J. Thouless en Duncan Haldane de 2016 Nobelprijs voor de natuurkunde. Ze hebben met succes een AI getraind om de drie fasen van elkaar te onderscheiden met een klokmodel met zes standen. Toen ze het toepasten op configuraties van een klokmodel met vier standen, waarin slechts twee fasen worden verwacht, ze ontdekten dat het algoritme het systeem kon classificeren als in een BKT-fase nabij de faseovergang. Dit toont aan dat er een diep verband bestaat tussen de BKT-fase en de kritieke fase die ontstaat op het soepele 'tweede-orde' faseovergangspunt in het vierstatensysteem.

De door het team gepresenteerde methode is algemeen toepasbaar op een breed scala aan wetenschappelijke problemen. Een belangrijk onderdeel van de natuurkunde is universaliteit, het identificeren van eigenschappen in schijnbaar niet-gerelateerde systemen of fenomenen die aanleiding geven tot verenigd gedrag. Machine learning is bij uitstek geschikt om deze functies uit de meest complexe modellen en systemen te halen, wetenschappers een kijkje laten nemen in de diepe verbindingen die de natuur en ons universum beheersen.