Um algoritmo de aprendizado de máquina projetado para ensinar os computadores a reconhecer fotos, padrões de fala, e dígitos escritos à mão agora foram aplicados a um conjunto de dados muito diferente:a identificação de transições de fase entre estados da matéria.
Esta nova pesquisa, publicado hoje em Física da Natureza por dois pesquisadores do Perimeter Institute, foi construído com base em uma pergunta simples:poderiam os algoritmos de aprendizado de máquina padrão da indústria ajudar na pesquisa de física do combustível? Descobrir, ex-bolsista de pós-doutorado do Perimeter Institute, Juan Cassasquilla e Roger Melko, um membro do corpo docente associado da Perimeter e professor associado da Universidade de Waterloo, reformulado TensorFlow do Google, uma biblioteca de software de código aberto para aprendizado de máquina, e aplicou-o a um sistema físico.
Melko diz que eles não sabiam o que esperar. "Eu pensei que era um tiro no escuro, " ele admite.
Usando gigabytes de dados que representam diferentes configurações de estado criadas usando software de simulação em supercomputadores, Carrasquilla e Melko criaram uma grande coleção de "imagens" para introduzir no algoritmo de aprendizado de máquina (também conhecido como rede neural). O resultado:a rede neural distinguiu as fases de um ímã simples, e poderia distinguir uma fase ferromagnética ordenada de uma fase desordenada de alta temperatura. Pode até encontrar o limite (ou transição de fase) entre as fases, diz Carrasquilla, que agora trabalha na empresa de computação quântica D-Wave Systems.
"Assim que vimos que funcionavam, então sabíamos que eles seriam úteis para muitos problemas relacionados. De repente, o céu é o limite, "Melko diz." Todos como eu, que têm acesso a grandes quantidades de dados, podem experimentar essas redes neurais padrão. "
Essa pesquisa, que foi publicado originalmente como uma pré-impressão no arXiv em maio, 2016, mostra que a aplicação de aprendizado de máquina à matéria condensada e física estatística pode abrir oportunidades totalmente novas para pesquisa e, eventualmente, aplicativo do mundo real.
