De tweede wet van de thermodynamica schetst een asymmetrie in hoe fysieke systemen in de loop van de tijd evolueren, bekend als de pijl van de tijd. In macroscopische systemen, deze asymmetrie heeft een duidelijke richting (bijv. men kan gemakkelijk zien of een video die de evolutie van een systeem in de loop van de tijd laat zien, normaal of achterstevoren wordt afgespeeld).

In de microscopische wereld, echter, deze richting is niet altijd duidelijk. In feite, fluctuaties in microscopische systemen kunnen leiden tot duidelijke schendingen van de tweede wet van de thermodynamica, waardoor de pijl van de tijd wazig en minder gedefinieerd wordt. Als resultaat, bij het bekijken van een video van een microscopisch proces, het kan moeilijk zijn, zo niet onmogelijk, om te bepalen of het normaal of achterstevoren wordt afgespeeld.

Onderzoekers van de Universiteit van Maryland ontwikkelden een machine learning-algoritme dat de richting van de thermodynamische pijl van de tijd kan afleiden in zowel macroscopische als microscopische processen. Dit algoritme, gepresenteerd in een paper gepubliceerd in Natuurfysica , zou uiteindelijk kunnen helpen om nieuwe fysische principes met betrekking tot thermodynamica te ontdekken.

"Ik leerde op kleine schaal over thermodynamica toen ik een cursus volgde over niet-evenwichtsstatistieken, gegeven door prof. Jarzysnki, Alireza Seif, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde Phys.org. "Tegelijkertijd, Ik verkende toepassingen van machine learning in de natuurkunde, die de afgelopen jaren veel belangstelling hebben gewekt. Een voorbeeld van machine learning-toepassingen is het classificeren van afbeeldingen en dezelfde tools zijn gebruikt om fasen van materie in de natuurkunde te classificeren."

Terwijl hij bezig was met zijn studie, Seif realiseerde zich dat de zoektocht om de richting van de tijdpijl te bepalen ook als een classificatieprobleem kan worden beschouwd. Hij begon daarom de mogelijkheid te onderzoeken om een ​​machine learning-algoritme te ontwikkelen dat deze richting kan bepalen en besprak dit idee met zijn collega's Mohammad Hafezi en met Christopher Jarzynski. De drie onderzoekers besloten samen te werken. Na het succes van een eerste experiment, ze begonnen verschillende gevallen te bestuderen waarin hun neurale netwerk nieuwe waardevolle inzichten zou kunnen bieden.

"We gebruikten gesuperviseerd leren en trainden een neuraal netwerk om de richting van de tijdpijl te detecteren op basis van een reeks gesimuleerde films van fysieke processen met bijbehorende labels die achteruit/vooruit aangeven, Seif legde uit. "Ons neurale netwerk geeft een getal tussen 0 en 1 weer. wat afhangt van de input (de film), en de parameters van het netwerk (gewichten en biases). We zoeken dan naar die parameterwaarden die het verschil tussen de output van het neurale netwerk en de echte labels (richting van de pijl van de tijd) minimaliseren."

Toen ze hun neurale netwerk gebruikten om video's van fysieke processen te analyseren, ze ontdekten dat het de richting van de pijl van de tijd met uitstekende nauwkeurigheid kon voorspellen. In aanvulling, de analyses van het algoritme onthulden dat gedissipeerd werk de juiste hoeveelheid is om te gebruiken bij het bepalen van deze richting.

In hun studie hebben de onderzoekers gebruikten ook een techniek die bekend staat als inceptionisme, geïntroduceerd door een team van software-engineers bij Google. Met deze techniek konden ze onderzoeken wat er in hun neurale netwerk gebeurt, het identificeren van de meest representatieve voorwaartse en achterwaartse trajecten.

Bijvoorbeeld, om een ​​representatief voorwaarts traject te ontdekken, het team nam een ​​willekeurige invoer met een onbekende richting (d.w.z. vooruit of achteruit) en heb het zodanig gewijzigd dat de netwerkuitvoer het als vooruit classificeerde. Vervolgens toonden ze aan dat de representatieve trajecten die ze ontdekten, overeenkwamen met theoretische voorspellingen.

"De fysica van de pijl van de tijd in de context van statistische fysica zonder evenwicht is de afgelopen decennia gekwantificeerd, Seif zei. "Het is interessant dat een bekend algoritme (logistieke regressie) dat tientallen jaren vóór deze stellingen bestond, tot dezelfde resultaten leidt. Het is denkbaar dat, met zulke numerieke experimenten, men zou kunnen komen met de theoretische formulering van de oplossing vóór de ontdekking van fysieke principes."

Seif en zijn collega's ontdekten dat hun machine learning-algoritme zowel een fundamenteel natuurkundig probleem oploste als de belangrijkste fysieke parameters identificeerde om dit probleem effectief aan te pakken. Het team toonde ook aan dat de richting van de pijl van de tijd kan worden afgeleid zonder dat het nodig is om te specificeren welk fysiek proces er plaatsvindt. wat zeer uitdagend is om handmatig of analytisch te bereiken. In de toekomst, het team is van plan om door te gaan met het verkennen van het potentieel van het gebruik van machine learning-algoritmen om natuurkundig onderzoek uit te voeren en nieuwe wetenschappelijke ontdekkingen te doen.

"De fysica van systemen die niet in evenwicht zijn, is een bijzonder interessegebied voor ons, omdat het onopgeloste vragen heeft die kunnen worden beantwoord door de dynamiek van de systemen te bestuderen met algoritmen voor machine learning, Seif zei. "Om de gereedschapskist te bouwen om deze vragen te beantwoorden, we moeten beginnen met concrete voorbeelden die we als proeftuin weten op te lossen. Momenteel, we kijken naar problemen in de statistische fysica, zowel in het kwantum als in het klassieke domein, en proberen te begrijpen wat machine learning-tools kunnen leren van experimentele observaties."

© 2020 Wetenschap X Netwerk