Автор Дани Элленби, Окинавский институт науки и технологий
⌚ 2мин
За последние несколько десятилетий машинное обучение произвело революцию во многих слоях общества: компьютеры (машины) учат водить машины, выявлять опухоли и играть в шахматы, часто превосходя своих человеческих партнеров.
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 квантовых материалов (TQM) в OIST. «Компьютеры теперь способны выполнять науку очень осмысленно и решать проблемы, которые давно расстраивали ученых».
Источник расстройства
Во всех магнитах каждый атом связан с крошечным магнитным моментом, также известным как «спин». В обычных магнитах, таких как те, которые прилипают к холодильникам, все спины упорядочены так, что они направлены в одну сторону, 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. Отдел 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 «расстроенные» взаимодействия, поэтому вместо упорядочения спины непрерывно флуктуируют 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 показала, 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 самую простую модель на решетке из пирохлора наша команда рассчитывала годами».
Введение машин
С ростом успехов в машинном обучении подразделению TQM стало интересно, могут ли машины решить такую сложную проблему.
«Если честно, я был уверен, что машина не справится», - сказал профессор Шеннон. «Это первый раз, когда я был шокирован результатом - я удивлялся, был счастлив, но никогда не был ранее 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 «метода опорных векторов», который способен разбивать сложные данные на разные группы.
«Преимущество этого типа машин в том, что в отличие от других методов опорных векторов, она не требует предварительной подготовки и не является черным ящиком - результаты можно интерпретировать. Данные не только классифицируются по группам; можно также попросить машину, чтобы узнать, как она приняла окончательное решение, и узнать об особенностях 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 решения происходил за недели.
«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».
Ссылка:
Jonas Greitemann et al, Identification of emergent constraints and hidden order in frustrated magnets using tensorial kernel methods of machine learning, Physical Review B (2019). DOI: 10.1103/PhysRevB.100.174408
