Новый алгоритм учит машину находить самое главное
За последние десять лет машинное обучение привело к прорывным достижениям в областях компьютерного зрения, распознавания речи и перевода. Последнее время оно также применяется в решении задач в области физики, обычно для классификации физических состояний и численного моделирования основных состояний. Учёные Мацей Кох-Януш из Института теоретической физики в Цюрихе и Зохар Рингел из Еврейского Университета в Иерусалиме исследовали многообещающую возможность применять машинное обучение не только как численный симулятор или «тестировщик гипотез», но и как неотъемлемую часть умозаключений в отношении физических объектов и процессов.
Подпись к изображению: Результат работы алгоритма Коха-Януша и Рингеля (в цвете) поверх паттерна базовой модели димеров (чёрный) на двумерной решетке (красный). Алгоритм выделяет подходящие физические элементы не имея предварительных сведений об их взаимосвязях
Важным шагом к пониманию физической системы, состоящей из множества элементов – например, атомов, образующих магнитный материал – является возможность определить среди множества степеней свободы системы те, которые наиболее важны для её физического поведения. Традиционно это делается на основании интуиции и опыта, но теперь Кох-Януш и Рингель демонстрируют алгоритм машинного обучения основанный на искусственной нейронной сети, способный решить эту задачу. Их алгоритм принимает данные о физической системе, не имея предварительных знаний о ней, и выделяет те степени свободы, которые наиболее актуальны для описания системы.
С технической точки зрения машина делает важную часть работы самого сложного инструмента современной теоретической физики — так называемую ренормализационную группу. Алгоритм Коха-Януша и Рингеля даёт качественно новый подход: внутреннее представление данных, обнаруживаемое системами машинного обучения, считается «неясным», но результат этого алгоритма даёт фундаментальное физическое понимание, отражая глубинную структуру физической системы. В перспективе это указывает на возможность применять машинное обучение в науке, соединяя способность компьютера экстрагировать информацию из огромных массивов данных с творческими способностями человека.
30.03.2018 12:31
