Dos físicos de ETH Zurich y la Universidad Hebrea de Jerusalén han desarrollado un nuevo algoritmo de aprendizaje automático que analiza grandes conjuntos de datos que describen un sistema físico y extraen de ellos la información esencial necesaria para comprender la física subyacente.
Durante la última década, el aprendizaje automático ha permitido avances innovadores en visión por computadora, reconocimiento de voz y traducción. Más recientemente, el aprendizaje automático también se ha aplicado a problemas físicos, típicamente para la clasificación de fases físicas y la simulación numérica de estados fundamentalesMaciej Koch-Janusz, investigador del Instituto de Física Teórica de ETH Zurich, Suiza, y Zohar Ringel de la Universidad Hebrea de Jerusalén, Israel, ahora han explorado la posibilidad emocionante de aprovechar el aprendizaje automático no como un simulador numérico o un 'probador de hipótesis ', pero como parte integral del proceso de razonamiento físico.
Un paso importante para comprender un sistema físico que consiste en una gran cantidad de entidades, por ejemplo, los átomos que forman un material magnético, es identificar entre los muchos grados de libertad del sistema aquellos que son más relevantes para sucomportamiento físico. Este es tradicionalmente un paso que depende en gran medida de la intuición y la experiencia humana. Pero ahora Koch-Janusz y Ringel demuestran un algoritmo de aprendizaje automático basado en una red neuronal artificial que es capaz de hacer exactamente eso, según informan en la revista. Física de la naturaleza . Su algoritmo toma datos sobre un sistema físico sin ningún conocimiento previo al respecto y extrae los grados de libertad que son más relevantes para describir el sistema.
Técnicamente hablando, la máquina realiza uno de los pasos cruciales de una de las herramientas conceptualmente más profundas de la física teórica moderna, el llamado grupo de renormalización. El algoritmo de Koch-Janusz y Ringel proporciona un enfoque cualitativamente nuevo: los datos internosLas representaciones descubiertas por sistemas de aprendizaje automático adecuadamente diseñados a menudo se consideran "oscuras", pero los resultados que arroja su algoritmo proporcionan información física fundamental, que refleja la estructura subyacente del sistema físico. Esto plantea la posibilidad de emplear el aprendizaje automático en la ciencia en unmoda colaborativa, que combina el poder de las máquinas para destilar información de vastos conjuntos de datos con creatividad humana y conocimiento de fondo.
Fuente de la historia :
Materiales proporcionado por ETH Departamento de Física de Zurich . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :