A estrutura de cristal do pirocloro contém átomos magnéticos, que são organizados para formar uma rede de formas tetraédricas, juntou-se a cada canto. Crédito:Teoria da Unidade da Matéria Quântica, OIST
Nas últimas décadas, o aprendizado de máquina revolucionou muitos setores da sociedade, com máquinas aprendendo a dirigir carros, identificar tumores e jogar xadrez - muitas vezes superando suas contrapartes humanas.
Agora, uma equipe de cientistas baseada na Universidade de Graduação do Instituto de Ciência e Tecnologia de Okinawa (OIST), a Universidade de Munique e o CNRS da Universidade de Bordeaux mostraram que as máquinas também podem vencer os físicos teóricos em seu próprio jogo, resolver problemas complexos com a mesma precisão dos cientistas, mas consideravelmente mais rápido.
No estudo, publicado recentemente em Revisão Física B , uma máquina aprendeu a identificar fases magnéticas incomuns em um modelo de pirocloro - um mineral de ocorrência natural com uma estrutura de rede tetraédrica. Notavelmente, ao usar a máquina, resolver o problema levou apenas algumas semanas, enquanto que anteriormente os cientistas do OIST precisavam de seis anos.
"Parece um passo realmente significativo, "disse o professor Nic Shannon, que lidera a Unidade de Teoria da Matéria Quântica (TQM) no OIST. "Os computadores agora são capazes de fazer ciência de uma forma muito significativa e resolver problemas que há muito frustram os cientistas."
A fonte de frustração
Em todos os ímãs, cada átomo está associado a um minúsculo momento magnético - também conhecido como "spin". Em ímãs convencionais, como os que ficam em geladeiras, todos os giros são ordenados de forma que apontem na mesma direção, resultando em um forte campo magnético. Essa ordem é como a ordem dos átomos em um material sólido.
O diagrama de fase produzido pela unidade da Teoria do Quantum Mater no OIST, mostrando todas as diferentes fases magnéticas que existem no modelo mais simples em uma rede pirocloro. Fase III, VI e V são líquidos de spin. Crédito:Imagem reproduzida com permissão da American Physical Society de Phys. Rev. X, 2017, 7, 041057
Mas assim como a matéria pode existir em diferentes fases - sólida, líquido e gás - o mesmo acontece com as substâncias magnéticas. A unidade TQM está interessada em fases magnéticas mais incomuns, chamadas de "líquidos de spin", que poderia ter usos na computação quântica. Em líquidos de rotação, existem competindo, ou interações "frustradas" entre os giros, então, em vez de pedir, os spins flutuam continuamente na direção - semelhante à desordem observada nas fases líquidas da matéria.
Anteriormente, a unidade TQM se propôs a estabelecer quais tipos diferentes de líquido de rotação poderiam existir em ímãs pirocloro frustrados. Eles construíram um diagrama de fase, que mostrou como diferentes fases podem ocorrer quando os spins interagirem de maneiras diferentes conforme a temperatura muda, com suas descobertas publicadas na Physical Review X em 2017.
Mas montar o diagrama de fases e identificar as regras que governam as interações entre os spins em cada fase foi um processo árduo.
"Esses ímãs são literalmente frustrantes, "brincou o professor Shannon." Mesmo o modelo mais simples em uma estrutura de pirocloro levou anos para ser resolvido por nossa equipe.
Entre nas máquinas
Com os avanços crescentes no aprendizado de máquina, a unidade TQM estava curiosa para saber se as máquinas poderiam resolver um problema tão complexo.
O diagrama de fases reproduzido pela máquina. Para comparação, os limites de fase previamente determinados pelos cientistas sem a máquina foram traçados por cima. Crédito:Imagem reproduzida com permissão da American Physical Society de Phys. Rev. B, 2019, 100, 174408
"Para ser honesto, Eu tinha quase certeza de que a máquina iria falhar, "disse o Prof. Shannon." Esta é a primeira vez que fico chocado com um resultado - estou surpreso, Tenho sido feliz, mas nunca chocado. "
Os cientistas do OIST se uniram a especialistas em aprendizado de máquina da Universidade de Munique, liderado pelo Professor Lode Pollet, que desenvolveu um "kernel tensorial" - uma maneira de representar configurações de spin em um computador. Os cientistas usaram o kernel tensorial para equipar uma "máquina de vetores de suporte", que é capaz de categorizar dados complexos em grupos diferentes.
"A vantagem desse tipo de máquina é que, ao contrário de outras máquinas de vetores de suporte, não requer nenhum treinamento prévio e não é uma caixa preta - os resultados podem ser interpretados. Os dados não são apenas classificados em grupos; você também pode interrogar a máquina para ver como ela tomou sua decisão final e aprender sobre as propriedades distintas de cada grupo, "disse o Dr. Ludovic Jaubert, pesquisador do CNRS na Universidade de Bordeaux.
Os cientistas de Munique alimentaram a máquina com um quarto de milhão de configurações de spin geradas pelas simulações do supercomputador OIST do modelo pirocloro. Sem qualquer informação sobre quais fases estavam presentes, a máquina conseguiu reproduzir com sucesso uma versão idêntica do diagrama de fases.
Mais importante, quando os cientistas decifraram a "função de decisão" que a máquina havia construído para classificar diferentes tipos de líquido de spin, eles descobriram que o computador também havia descoberto independentemente as equações matemáticas exatas que exemplificavam cada fase - com todo o processo levando algumas semanas.
"A maior parte desse tempo era tempo humano, então mais acelerações ainda são possíveis, "disse o Prof. Pollet." Com base no que agora sabemos, a máquina poderia resolver o problema em um dia. "
"Estamos entusiasmados com o sucesso da máquina, which could have huge implications for theoretical physics, " added Prof. Shannon. "The next step will be to give the machine an even more difficult problem, that humans haven't managed to solve yet, and see whether the machine can do better."
