En las últimas décadas, el aprendizaje automático ha revolucionado muchos sectores de la sociedad, con máquinas que aprenden a conducir automóviles, identificar tumores y jugar al ajedrez, a menudo superando a sus homólogos humanos.
Ahora, un equipo de científicos con sede en la Universidad de Graduados del Instituto de Ciencia y Tecnología de Okinawa OIST, la Universidad de Munich y el CNRS en la Universidad de Burdeos han demostrado que las máquinas también pueden vencer a los físicos teóricos en su propio juego, resolviendoproblemas complejos con la misma precisión que los científicos, pero considerablemente más rápido.
En el estudio, publicado recientemente en Revisión física B , una máquina aprendió a identificar fases magnéticas inusuales en un modelo de pirocloro, un mineral natural con una estructura reticular tetraédrica. Sorprendentemente, al usar la máquina, la resolución del problema tomó solo unas pocas semanas, mientras que anteriormente los científicos de OISTnecesitó seis años.
"Esto se siente como un paso realmente significativo", dijo el profesor Nic Shannon, quien dirige la Unidad de Teoría de la Materia Cuántica TQM en OIST. "Las computadoras ahora pueden llevar a cabo la ciencia de una manera muy significativa y abordar problemas que tienencientíficos frustrados por mucho tiempo "
La fuente de la frustración
En todos los imanes, cada átomo está asociado con un pequeño momento magnético, también conocido como "giro". En los imanes convencionales, como los que se adhieren a los refrigeradores, todos los giros se ordenan para que apunten en la misma dirección,resultando en un fuerte campo magnético. Este orden es como el orden de los átomos en un material sólido.
Pero así como la materia puede existir en diferentes fases - sólidas, líquidas y gaseosas - también pueden existir sustancias magnéticas. La unidad TQM está interesada en fases magnéticas más inusuales llamadas "líquidos giratorios", que podrían tener usos en la computación cuántica.En los líquidos de centrifugado, hay interacciones competidoras o "frustradas" entre los giros, por lo que en lugar de ordenarlos, los giros fluctúan continuamente en dirección, similar al trastorno que se observa en las fases líquidas de la materia.
Anteriormente, la unidad TQM se propuso establecer qué diferentes tipos de líquido de centrifugado podrían existir en los imanes de pirocloro frustrados. Construyeron un diagrama de fases, que mostraba cómo podían ocurrir diferentes fases cuando los espines interactuaban de diferentes maneras a medida que la temperatura cambiaba, consus hallazgos publicados en Physical Review X en 2017.
Pero unir el diagrama de fases e identificar las reglas que rigen las interacciones entre giros en cada fase fue un proceso arduo.
"Estos imanes son literalmente frustrantes", bromeó el profesor Shannon. "Incluso el modelo más simple en una red de pirocloro le tomó años a nuestro equipo resolverlo".
entrar en las máquinas
Con el aumento de los avances en el aprendizaje automático, la unidad TQM sentía curiosidad por saber si las máquinas podían resolver un problema tan complejo.
"Para ser honesto, estaba bastante seguro de que la máquina iba a fallar", dijo el profesor Shannon. "Esta es la primera vez que me sorprende un resultado, me sorprende, me alegro, pero nunca conmocionado "
Los científicos de OIST se asociaron con expertos en aprendizaje automático de la Universidad de Munich, dirigidos por el profesor Lode Pollet, que había desarrollado un "núcleo tensorial", una forma de representar configuraciones de espín en una computadora. Los científicos utilizaron el núcleo tensorial paraequipar una "máquina de vectores de soporte", que puede clasificar datos complejos en diferentes grupos.
"La ventaja de este tipo de máquina es que, a diferencia de otras máquinas de vectores de soporte, no requiere ningún entrenamiento previo y no es una caja negra; los resultados se pueden interpretar. Los datos no solo se clasifican en grupos"También puede interrogar a la máquina para ver cómo tomó su decisión final y conocer las distintas propiedades de cada grupo", dijo el Dr. Ludovic Jaubert, investigador del CNRS en la Universidad de Burdeos.
Los científicos de Munich le dieron a la máquina un cuarto de millón de configuraciones de giro generadas por las simulaciones de supercomputadora OIST del modelo de pirocloro. Sin ninguna información sobre qué fases estaban presentes, la máquina logró reproducir con éxito una versión idéntica del diagrama de fase.
Es importante destacar que, cuando los científicos descifraron la "función de decisión" que la máquina había construido para clasificar los diferentes tipos de líquido de centrifugado, descubrieron que la computadora también había descubierto de forma independiente las ecuaciones matemáticas exactas que ejemplificaban cada fase, con todo el procesotomando una cuestión de semanas.
"La mayor parte de este tiempo fue tiempo humano, por lo que aún son posibles nuevas aceleraciones", dijo el profesor Pollet. "Según lo que sabemos ahora, la máquina podría resolver el problema en un día".
"Estamos encantados con el éxito de la máquina, que podría tener enormes implicaciones para la física teórica", agregó el profesor Shannon. "El siguiente paso será darle a la máquina un problema aún más difícil, que los humanos no han logradopara resolver aún, y ver si la máquina puede hacerlo mejor "
Fuente de la historia :
Materiales proporcionado por Universidad de Posgrado del Instituto de Ciencia y Tecnología de Okinawa OIST . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :