Это новое исследование, опубликованное сегодня в журнале Nature Physics двумя исследователями Perimeter Institute, было основано на простом вопросе: могут ли стандартные алгоритмы машинного обучения способствовать исследованиям в области физики? Чтобы выяснить это, бывший научный сотрудник Perimeter Institute Хуан Кассаскилла и Роджер Мелко, член-корреспондент Perimeter и доцент Университета Ватерлоо, перепрофилировали TensorFlow от Google, программную библиотеку с открытым исходным кодом для машинного обучения, и применили ее к физическим объектам. система.Мелко говорит, что они не знали, чего ожидать. «Я думал, что это долгий путь», — признается он.
Используя гигабайты данных, представляющих различные конфигурации состояний, созданные с помощью программного обеспечения для моделирования на суперкомпьютерах, Карраскилла и Мелко создали большую коллекцию «изображений» для внедрения в алгоритм машинного обучения (также известный как нейронная сеть). Результат: нейронная сеть распознала фазы простого магнита и смогла отличить упорядоченную ферромагнитную фазу от неупорядоченной высокотемпературной фазы. Он может даже найти границу (или фазовый переход) между фазами, говорит Карраскилла, который сейчас работает в компании D-Wave Systems, занимающейся квантовыми вычислениями.
«Как только мы увидели, что они работают, мы поняли, что они будут полезны для решения многих связанных с ними проблем. Внезапно предел безграничен», — говорит Мелко. «Каждый, кто, как я, имеет доступ к огромным объемам данных, может попробовать эти стандартные нейронные сети».
Это исследование, которое первоначально было опубликовано в качестве препринта на arXiv в мае 2016 года, показывает, что применение машинного обучения к конденсированной материи и статистической физике может открыть совершенно новые возможности для исследований и, в конечном итоге, для реального применения.