Físicos teóricos da ETH Zurique enganaram deliberadamente máquinas inteligentes, e, assim, refinou o processo de aprendizado de máquina. Eles criaram um novo método que permite aos computadores categorizar os dados - mesmo quando os humanos não têm ideia de como essa categorização pode ser.

Quando os computadores identificam independentemente corpos d'água e seus contornos em imagens de satélite, ou derrote os melhores jogadores profissionais do mundo no jogo de tabuleiro Go, então os algoritmos adaptativos estão trabalhando em segundo plano. Os programadores fornecem esses algoritmos com exemplos conhecidos em uma fase de treinamento:imagens de corpos d'água e de terra, ou sequências de movimentos Go que levaram ao sucesso ou ao fracasso em torneios. Da mesma forma como nossas células nervosas cerebrais produzem novas redes durante os processos de aprendizagem, os algoritmos especiais adaptam-se na fase de aprendizagem com base nos exemplos que lhes são apresentados. Isso continua até que eles sejam capazes de diferenciar corpos d'água da terra em fotos desconhecidas, ou sequências bem-sucedidas de movimentos de outros malsucedidos.

Até agora, essas redes neurais artificiais têm sido usadas no aprendizado de máquina com um conhecido critério de tomada de decisão:sabemos o que é um corpo de água e quais sequências de movimentos foram bem-sucedidas em torneios de Go.

Separando o trigo do joio

Agora, um grupo de cientistas trabalhando com Sebastian Huber, Professor de Teoria da Matéria Condensada e Óptica Quântica na ETH Zurique, expandiram os aplicativos para essas redes neurais, desenvolvendo um método que não apenas permite a categorização de quaisquer dados, mas também reconhece se conjuntos de dados complexos contêm categorias.

Questões desse tipo surgem na ciência:por exemplo, o método pode ser útil para análise de medições de aceleradores de partículas ou observações astronômicas. Os físicos poderiam, assim, filtrar as medições mais promissoras de suas quantidades frequentemente incontroláveis ​​de dados de medição. Farmacologistas poderiam extrair moléculas com uma certa probabilidade de ter um efeito farmacêutico específico ou efeito colateral de grandes bancos de dados moleculares. E os cientistas de dados poderiam classificar grandes massas de ondulações desordenadas de dados e obter informações úteis (mineração de dados).

Procure um limite

Os pesquisadores da ETH aplicaram seu método a um fenômeno intensamente pesquisado da física teórica:um sistema de vários corpos de dipolos magnéticos interagindo que nunca atinge um estado de equilíbrio - mesmo a longo prazo. Esses sistemas foram descritos recentemente, mas ainda não se sabe em detalhes quais propriedades físicas quânticas impedem um sistema de muitos corpos de entrar em um estado de equilíbrio. Em particular, não está claro onde exatamente está a fronteira entre os sistemas que alcançam o equilíbrio e aqueles que não o fazem.

Para localizar esse limite, os cientistas desenvolveram o princípio "agir como se":pegando dados de sistemas quânticos, eles estabeleceram um limite arbitrário com base em um parâmetro e o usaram para dividir os dados em dois grupos. Eles então treinaram uma rede neural artificial fingindo que um grupo alcançou um estado de equilíbrio enquanto o outro não. Assim, os pesquisadores agiam como se soubessem onde ficava a fronteira.

Cientistas confundiram o sistema

Eles treinaram a rede inúmeras vezes no geral, com um limite diferente a cada vez, e testou a capacidade da rede de classificar os dados após cada sessão. O resultado foi que, em muitos casos, a rede lutou para classificar os dados da mesma forma que os cientistas. Mas em alguns casos, a divisão em dois grupos foi muito precisa.

Os pesquisadores conseguiram mostrar que esse desempenho de classificação depende da localização do limite. Evert van Nieuwenburg, um estudante de doutorado no grupo de Huber, explica isso da seguinte forma:"Ao escolher treinar com um limite muito longe do limite real (que eu não sei), Consigo enganar a rede. Em última análise, estamos treinando a rede incorretamente - e redes treinadas incorretamente são muito ruins para classificar dados. "No entanto, se por acaso um limite for escolhido próximo ao limite real, um algoritmo altamente eficiente é produzido. Ao determinar o desempenho do algoritmo, os pesquisadores foram capazes de rastrear a fronteira entre os sistemas quânticos que atingem o equilíbrio e aqueles que não o fazem:a fronteira está localizada onde o desempenho de classificação da rede é mais alto.

Os pesquisadores também demonstraram as capacidades de seu novo método usando duas outras questões da física teórica:transições de fase topológica em sólidos unidimensionais e o modelo de Ising, que descreve o magnetismo dentro de sólidos.

Categorização sem conhecimento prévio

O novo método também pode ser ilustrado de forma simplificada com um experimento de pensamento, onde queremos classificar o vermelho, avermelhado, bolas azuladas e azuis em dois grupos. Presumimos que não temos ideia de como essa classificação pode parecer razoavelmente.

Se uma rede neural for treinada dizendo-lhe que a linha divisória está em algum lugar na região vermelha, então isso vai confundir a rede. "Você tenta ensinar à rede que as bolas azuis e avermelhadas são iguais e pede a ela para diferenciar entre bolas vermelhas e vermelhas, o que simplesmente não é capaz de fazer, "diz Huber.

Por outro lado, se você colocar o limite no espectro de cor violeta, a rede descobre uma diferença real e classifica as bolas em grupos vermelhos e azuis. Contudo, não é preciso saber com antecedência que a linha divisória deve estar na região violeta. Ao comparar o desempenho de classificação em uma variedade de limites escolhidos, esta fronteira pode ser encontrada sem conhecimento prévio.