Человек против машины: может ли ИИ заниматься наукой?

За последние несколько десятилетий машинное обучение произвело революцию во многих слоях общества: машины учатся водить машины, выявлять опухоли и играть в шахматы — часто превосходя своих коллег по человеческим качествам.

Теперь команда ученых из Университета Окинавы, Института Науки и Технологии (OIST), Университета Мюнхена и CNRS в Университете Бордо, показали, что машины могут также побеждать физиков-теоретиков в их собственной игре, решая сложные задачи. точно так же, как ученые, но значительно быстрее.

В исследовании, недавно опубликованном в Physical Review B , машина научилась распознавать необычные магнитные фазы в модели пирохлора — встречающегося в природе минерала с тетраэдрической решетчатой ​​структурой. Примечательно, что при использовании машины решение проблемы заняло всего несколько недель, тогда как ранее ученым OIST требовалось шесть лет.

«Это похоже на действительно важный шаг», — сказал профессор Ник Шеннон, который возглавляет отдел теории квантового вещества (TQM) в OIST. «Компьютеры теперь способны выполнять науку очень осмысленно и решать проблемы, которые давно расстраивают ученых».

Источник разочарования

Во всех магнитах каждый атом связан с крошечным магнитным моментом, также известным как «вращение». В обычных магнитах, таких как те, которые прилипают к холодильникам, все спины упорядочены так, что они указывают в одном направлении, что приводит к сильному магнитному полю. Этот порядок подобен порядку атомов в твердом материале.

Но так же, как материя может существовать в разных фазах — твердых, жидких и газовых — так же могут существовать магнитные вещества. Блок TQM заинтересован в более необычных магнитных фазах, называемых «спиновые жидкости», которые могут найти применение в квантовых вычислениях. В спиновых жидкостях между спинами существуют конкурирующие или «разочарованные» взаимодействия, поэтому вместо упорядочения спины непрерывно колеблются в направлении — подобно беспорядку, наблюдаемому в жидких фазах вещества.

Ранее подразделение TQM намеревалось установить, какие различные типы спиновой жидкости могут существовать в расстроенных пирохлорных магнитах. Они построили фазовую диаграмму, которая показывала, как могут происходить разные фазы, когда спины взаимодействуют по-разному при изменении температуры, и их результаты были опубликованы в Physical Review X в 2017 году.

Но объединение фазовой диаграммы и определение правил, регулирующих взаимодействия между спинами в каждой фазе, было трудным процессом.

«Эти магниты буквально расстраивают», — пошутил профессор Шеннон. «Даже самой простой модели на решетке из пирохлора наша команда решала годы».

Введите машины

С ростом успехов в машинном обучении подразделению TQM стало интересно, могут ли машины решить такую ​​сложную проблему.

«Если честно, я был уверен, что машина выйдет из строя», — сказал профессор Шеннон. «Это первый раз, когда я был шокирован результатом — я был удивлен, я был счастлив, но никогда не шокирован».

Ученые OIST объединились с экспертами по машинному обучению из Мюнхенского университета во главе с профессором Лоде Полле, который разработал «тензорное ядро» — способ представления спиновых конфигураций в компьютере. Ученые использовали тензорное ядро ​​для оснащения «машины опорных векторов», которая способна распределять сложные данные по различным группам.

«Преимущество этого типа машин в том, что в отличие от других машин опорных векторов, оно не требует предварительной подготовки и не является черным ящиком — результаты можно интерпретировать. Данные не только разбиты на группы; Можно также опросить машину, чтобы узнать, как она приняла окончательное решение, и узнать об отличительных свойствах каждой группы », — сказал д-р Людовик Жаубер, исследователь CNRS в Университете Бордо.

Мюнхенские ученые предоставили машине четверть миллиона спиновых конфигураций, сгенерированных суперкомпьютерным моделированием OIST модели пирохлора. Без какой-либо информации о том, какие фазы присутствовали, машине удалось воспроизвести идентичную версию фазовой диаграммы.

Важно отметить, что когда ученые расшифровали «решающую функцию», которую машина построила для классификации различных типов спиновой жидкости, они обнаружили, что компьютер также независимо вычислял точные математические уравнения, которые иллюстрировали каждую фазу, причем весь процесс занимал вопрос недель.

«Большую часть времени это было человеческое время, поэтому дальнейшие ускорения все еще возможны», — сказал профессор Поллет. «Исходя из того, что мы теперь знаем, машина может решить проблему за один день».

«Мы в восторге от успеха машины, которая может иметь огромное значение для теоретической физики», — добавил профессор Шеннон. «Следующим шагом будет дать машине еще более сложную проблему, которую людям еще не удалось решить, и посмотреть, сможет ли машина работать лучше».

---

Источник истории:

Материалы предоставлены Окинавским институтом науки и технологии (OIST) . Примечание: содержание может быть отредактировано по стилю и длине.

---

Ссылка на журнал :

1. Йонас Грейтманн, Ке Лю, Людовик Д.К., Жобер, Хан Ян, Ник Шеннон, Лоде Поллет. Выявление возникающих ограничений и скрытого порядка в фрустрированных магнитах с использованием тензорных ядерных методов машинного обучения . Physical Review B , 2019; 100 (17) DOI: 10.1103 / PhysRevB.100.174408