研究人员开发了一种能够在理论物理学中解决复杂问题的机器

男人对机器：艾西岛可以做科学吗？

在过去的几十年里，机器学习已经彻底改变了社会的许多部门，用机器学习驾驶汽车，识别肿瘤并戏剧国际象棋 - 经常超越他们的人类同行。

现在，一支科学家队伍基于冲绳科技学院研究生大学（OIST），慕尼黑大学和波尔多大学的CNRS表明，机器也可以在自己的游戏中击败理论物理学家，解决复杂的问题正如科学家一样准确，但大大更快。

在研究中，在物理评论B中发表B，一台机器学会了绘制纤维晶型模型中的异常磁相 - 一种天然存在的矿物质，具有四面体晶格结构。值得注意的是，当使用机器时，解决问题只有几周，而以前则oist科学家需要六年。

柏树林结构含有磁性原子，其布置成形成四面体形状的晶格，在每个角落处连接。

“这感觉就像一个非常重要的一步，”Nic Shannon教授说，他在卫生院领导了量子物质（TQM）单位理论。“计算机现在能够以非常有意义的方式进行科学，并解决长期沮丧的科学家的问题。”

挫折

在所有磁铁中，每个原子与微小的磁矩相关联 - 也称为“旋转”。在传统的磁体中，如粘附到磨削的磁体中，所有旋转被排序，使得它们以相同的方向指向，导致强磁场。此顺序就像原子顺序在固体材料中的顺序。

但就像物质一样，不同阶段 - 固体，液体和气体 - 磁性物质也是如此。TQM单元对称为“旋转液体”的更不寻常的磁阶段感兴趣，可以在量子计算中使用。在旋转液体中，旋转之间的竞争或“沮丧”相互作用，因此而不是订购，旋转在方向上连续波动 - 类似于在物质阶段中看到的病症。

以前，TQM单元设定为建立哪种不同类型的旋转液体可以存在于令人沮丧的柏树磁铁中。它们构建了一个相图，它显示了在随着温度改变的不同方式与不同方式相互作用时会发生不同的相位，他们在2017年的物理评论X中发表了他们的研究结果。

oist的量子母体单元理论产生的相图，显示了在柏油晶格上最简单模型中存在的所有不同磁相。III期，VI和V是旋液。

但拼接相图并识别控制每个阶段之间的旋转之间的相互作用的规则是一个艰巨的过程。

“这些磁铁非常令人沮丧，”Shannon教授开玩笑。“即使是柏油架上最简单的模型也将我们的团队年来解决。”

输入机器

随着机器学习进步的增加，TQM单元很奇怪，以及机器是否可以解决这种复杂的问题。

“说实话，我相当肯定的是机器会失败，”香农教授说。“这是我第一次被结果震惊 - 我一直很惊讶，我一直很开心，但从不震惊。”

OIST科学家们与慕尼黑大学的机器学习专家合作，由洛德·莫尔特教授，他开发了“张丽核” - 一种代表计算机中的自旋配置的方式。科学家们使用Tensial Kernel装备“支持向量机”，它能够将复杂数据分类为不同的组。

“这种类型的机器的优势在于，与其他支持向量机不同，它不需要任何先前的训练，并且它不是一个黑色框 - 结果可以解释。数据不仅分为组;您还可以询问机器，了解它如何做出最终决定，并了解每个集团的不同属性，“波尔多大学的CNRS研究员Ludovic Jaubert博士说。

由机器再现的相图。为了比较，以前由没有机器的科学家确定的相界限已经绘制在顶部。

慕尼黑科学家们将机器联系了一百万百万个旋转配置，由蓬勃发展模型的OIST超级计算机模拟产生。如果没有关于存在阶段的任何信息，机器成功地成功地重现了相同的相图的相同版本。

重要的是，当科学家破译机器已经构建的“决策功能”分类为分类不同类型的旋转液体时，他们发现计算机还独立地将每个阶段的确切数学方程分解出来 - 随着整个过程所呈现的整个过程几周。

“大部分时间是人类的时间，因此进一步的加速仍然可以，”Pollet教授说。“基于我们现在所知的，机器可以在一天内解决问题。”

“我们对机器的成功感到兴奋，这可能对理论物理有巨大影响，”香农教授增加。“下一步是给机器一个更困难的问题，人类还没有设法解决，看看机器是否能做得更好。”

参考：

“鉴定使用张于机器学习的富丽内核方法的令人沮丧的磁铁和隐藏命令”由Jonas Greitemann，Ke Liu（刘科子竞），鲁维奇DC Jaubert，Han Yan（闫寒），Nic Shannon和Lode Pollet，5 2019年11月，物理评论B.Doi：
10.1103 / physrevb.100.174408

“通过Mathieu Taillefumier，Owen Benton，Han Yan，L.D.C.C. Jaubert和Nic Shannon，2017年12月6日，物理评论B.Doi：
10.1103 / physrevx.7.041057