Dois físicos da ETH Zurich e da Universidade Hebraica de Jerusalém desenvolveram um novo algoritmo de aprendizado de máquina que analisa grandes conjuntos de dados que descrevem um sistema físico e extrai deles as informações essenciais necessárias para entender a física subjacente.

Na última década, o aprendizado de máquina possibilitou avanços revolucionários em visão computacional, reconhecimento de voz e tradução. Mais recentemente, o aprendizado de máquina também foi aplicado a problemas de física, tipicamente para a classificação de fases físicas e a simulação numérica de estados fundamentais. Maciej Koch-Janusz, pesquisador do Instituto de Física Teórica da ETH Zurique, Suíça, e Zohar Ringel da Universidade Hebraica de Jerusalém, Israel, agora exploramos a possibilidade empolgante de aproveitar o aprendizado de máquina não como um simulador numérico ou um "testador de hipóteses, "mas como parte integrante do processo de raciocínio físico.

Uma etapa importante na compreensão de um sistema físico que consiste em um grande número de entidades - por exemplo, os átomos que constituem um material magnético - é identificar, entre os vários graus de liberdade do sistema, aqueles que são mais relevantes para seu comportamento físico. Esta é uma etapa tradicionalmente baseada na intuição e na experiência humanas. Mas agora, Koch-Janusz e Ringel demonstram um algoritmo de aprendizado de máquina baseado em uma rede neural artificial capaz de fazer exatamente isso, como eles relatam no jornal Física da Natureza . Seu algoritmo pega dados sobre um sistema físico sem qualquer conhecimento prévio sobre ele e extrai os graus de liberdade que são mais relevantes para descrever o sistema.

Tecnicamente falando, a máquina realiza uma das etapas cruciais de uma das ferramentas conceitualmente mais profundas da física teórica moderna, o chamado grupo de renormalização. O algoritmo de Koch-Janusz e Ringel fornece uma abordagem qualitativamente nova:as representações de dados internos descobertas por sistemas de aprendizagem de máquina adequadamente projetados são frequentemente consideradas obscuras, mas os resultados produzidos por seu algoritmo fornecem uma visão física fundamental, refletindo a estrutura subjacente do sistema físico. Isso aumenta a perspectiva de empregar o aprendizado de máquina na ciência de forma colaborativa, combinando o poder das máquinas para destilar informações de vastos conjuntos de dados com a criatividade humana e o conhecimento prévio.