A segunda lei da termodinâmica delineia uma assimetria em como os sistemas físicos evoluem ao longo do tempo, conhecido como a seta do tempo. Em sistemas macroscópicos, esta assimetria tem uma direção clara (por exemplo, pode-se notar facilmente se um vídeo que mostra a evolução de um sistema ao longo do tempo está sendo reproduzido normalmente ou ao contrário).

No mundo microscópico, Contudo, essa direção nem sempre é aparente. Na verdade, flutuações em sistemas microscópicos podem levar a violações claras da segunda lei da termodinâmica, fazendo com que a seta do tempo se torne embaçada e menos definida. Como resultado, ao assistir a um vídeo de um processo microscópico, pode ser difícil, se não impossível, para determinar se está sendo reproduzido normalmente ou ao contrário.

Pesquisadores da Universidade de Maryland desenvolveram um algoritmo de aprendizado de máquina que pode inferir a direção da seta termodinâmica do tempo em processos macroscópicos e microscópicos. Este algoritmo, apresentado em um artigo publicado em Física da Natureza , poderia, em última análise, ajudar a descobrir novos princípios físicos relacionados à termodinâmica.

"Aprendi sobre termodinâmica em pequenas escalas quando fiz um curso sobre mecânica estatística de desequilíbrio ministrado pelo Prof. Jarzysnki, "Alireza Seif, um dos pesquisadores que realizou o estudo, disse Phys.org. "Ao mesmo tempo, Eu estava explorando aplicações de aprendizado de máquina em física, que têm atraído muito interesse nos últimos anos. Um exemplo de aplicativos de aprendizado de máquina é a classificação de imagens e as mesmas ferramentas têm sido usadas para classificar fases da matéria na física. "

Enquanto ele prosseguia seus estudos, Seif percebeu que a busca de tentar determinar a direção da flecha do tempo também poderia ser enquadrada como um problema de classificação. Ele então começou a explorar a possibilidade de desenvolver um algoritmo de aprendizado de máquina que pudesse determinar essa direção e discutiu essa ideia com seus colegas Mohammad Hafezi e com Christopher Jarzynski. Os três pesquisadores decidiram colaborar. Após o sucesso de uma experiência inicial, eles começaram a estudar vários casos em que sua rede neural poderia fornecer novos insights valiosos.

"Usamos o aprendizado supervisionado e treinamos uma rede neural para detectar a direção da seta do tempo com base em um conjunto de filmes simulados de processos físicos com rótulos correspondentes indicando para trás / para frente, "Seif explicou." Nossa rede neural produz um número entre 0 e 1, que depende da entrada (o filme), e os parâmetros da rede (pesos e vieses). Em seguida, procuramos os valores dos parâmetros que minimizam a diferença entre a saída da rede neural e os rótulos verdadeiros (direção da seta do tempo). "

Quando eles usaram sua rede neural para analisar vídeos de processos físicos, eles descobriram que ele poderia prever com sucesso a direção da flecha do tempo com excelente precisão. Além disso, as análises do algoritmo revelaram que o trabalho dissipado é a quantidade adequada a ser usada ao tentar determinar essa direção.

Em seu estudo, os pesquisadores também usaram uma técnica conhecida como iniciação, apresentado por uma equipe de engenheiros de software do Google. Esta técnica permitiu-lhes investigar o que se passa dentro da sua rede neural, identificar as trajetórias para frente e para trás mais representativas.

Por exemplo, para descobrir uma trajetória de avanço representativa, a equipe pegou uma entrada aleatória com uma direção desconhecida (ou seja, para frente ou para trás) e alterou-o de tal forma que a saída da rede classificou como direto. Eles então mostraram que as trajetórias representativas que descobriram realmente correspondiam às previsões teóricas.

"A física da flecha do tempo no contexto da física estatística de não-equilíbrio foi quantificada nas últimas décadas, "Seif disse." É interessante que um algoritmo bem conhecido (regressão logística) que existia décadas antes desses teoremas leva aos mesmos resultados. É concebível que, com tais experimentos numéricos, pode-se chegar à formulação teórica da solução antes de sua descoberta a partir dos princípios físicos. "

Seif e seus colegas descobriram que seu algoritmo de aprendizado de máquina resolveu um problema de física básico e identificou os parâmetros físicos mais importantes para lidar com esse problema com eficácia. A equipe também mostrou que a direção da seta do tempo pode ser inferida sem a necessidade de especificar qual processo físico exato está ocorrendo, o que é muito desafiador de conseguir manualmente ou analiticamente. No futuro, a equipe planeja continuar explorando o potencial do uso de algoritmos de aprendizado de máquina para conduzir pesquisas de física e fazer novas descobertas científicas.

"A física dos sistemas que estão fora de equilíbrio é uma área particular de interesse para nós, pois tem questões não resolvidas que podem ser respondidas estudando a dinâmica dos sistemas com algoritmos de aprendizado de máquina, "Seif disse." Para construir a caixa de ferramentas para responder a essas perguntas, temos que começar com exemplos concretos que sabemos como resolver como um ambiente de teste. Atualmente, estamos olhando para problemas de física estatística, tanto no domínio quântico quanto no clássico, e tentar entender o que as ferramentas de aprendizado de máquina podem aprender com as observações experimentais. "

© 2020 Science X Network