• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Hombre versus máquina:¿Puede la IA hacer ciencia?

    La estructura del cristal de pirocloro contiene átomos magnéticos, que están dispuestos para formar una celosía de formas tetraédricas, unidos en cada esquina. Crédito:Unidad de Teoría de la Materia Cuántica, OIST

    Durante las últimas décadas, el aprendizaje automático ha revolucionado muchos sectores de la sociedad, con máquinas que aprenden a conducir coches, identificar tumores y jugar al ajedrez, a menudo superando a sus homólogos humanos.

    Ahora, un equipo de científicos con base en la Universidad de Graduados del Instituto de Ciencia y Tecnología de Okinawa (OIST), la Universidad de Múnich y el CNRS de la Universidad de Burdeos han demostrado que las máquinas también pueden vencer a los físicos teóricos en su propio juego, resolver problemas complejos con la misma precisión que los científicos, pero considerablemente más rápido.

    En el estudio, publicado recientemente en Revisión física B , una máquina aprendió a identificar fases magnéticas inusuales en un modelo de pirocloro, un mineral natural con una estructura reticular tetraédrica. Notablemente, al usar la máquina, resolver el problema tomó solo unas pocas semanas, mientras que anteriormente los científicos de la OIST necesitaban seis años.

    "Se siente como un paso realmente significativo, "dijo el profesor Nic Shannon, quien dirige la Unidad de Teoría de la Materia Cuántica (TQM) en OIST. "Las computadoras ahora pueden llevar a cabo la ciencia de una manera muy significativa y abordar problemas que durante mucho tiempo han frustrado a los científicos".

    La fuente de la frustración

    En todos los imanes cada átomo está asociado con un pequeño momento magnético, también conocido como "giro". En imanes convencionales, como las que se pegan a las neveras, todos los giros están ordenados para que apunten en la misma dirección, resultando en un fuerte campo magnético. Este orden es como el orden de los átomos en un material sólido.

    El diagrama de fase producido por la unidad Theory of Quantum Mater en OIST, mostrando todas las diferentes fases magnéticas que existen en el modelo más simple en una celosía de pirocloro. Fase III, VI y V son líquidos de hilado. Crédito:Imagen reproducida con permiso de la Sociedad Estadounidense de Física de Phys. Rev. X, 2017, 7, 041057

    Pero así como la materia puede existir en diferentes fases:sólida, líquido y gas, también pueden hacerlo las sustancias magnéticas. La unidad TQM está interesada en fases magnéticas más inusuales llamadas "líquidos de giro", que podría tener usos en la computación cuántica. En líquidos de centrifugado, hay compitiendo, o interacciones "frustradas" entre los giros, así que en lugar de ordenar, los espines fluctúan continuamente en dirección, similar al desorden que se observa en las fases líquidas de la materia.

    Previamente, La unidad TQM se propuso establecer qué diferentes tipos de líquido de giro podrían existir en imanes de pirocloro frustrados. Construyeron un diagrama de fases, que mostró cómo pueden ocurrir diferentes fases cuando los giros interactúan de diferentes maneras a medida que cambia la temperatura, con sus hallazgos publicados en Physical Review X en 2017.

    Pero reconstruir el diagrama de fases e identificar las reglas que gobiernan las interacciones entre los giros en cada fase fue un proceso arduo.

    "Estos imanes son literalmente frustrantes, "bromeó el profesor Shannon." Incluso el modelo más simple en una celosía de pirocloro tomó años para resolver nuestro equipo ".

    Entrar en las maquinas

    Con los crecientes avances en el aprendizaje automático, la unidad de TQM tenía curiosidad por saber si las máquinas podrían resolver un problema tan complejo.

    El diagrama de fases reproducido por la máquina. Para comparacion, los límites de fase previamente determinados por los científicos sin la máquina se han dibujado por encima. Crédito:Imagen reproducida con permiso de la Sociedad Estadounidense de Física de Phys. Rev. B, 2019, 100, 174408

    "Para ser sincero, Estaba bastante seguro de que la máquina fallaría, ", dijo el profesor Shannon." Esta es la primera vez que me sorprende un resultado; me sorprende, He sido feliz pero nunca sorprendido ".

    Los científicos de OIST se asociaron con expertos en aprendizaje automático de la Universidad de Munich, dirigido por el profesor Lode Pollet, que había desarrollado un "núcleo tensorial", una forma de representar configuraciones de espín en una computadora. Los científicos utilizaron el núcleo tensorial para equipar una "máquina de vectores de soporte", que puede categorizar datos complejos en diferentes grupos.

    "La ventaja de este tipo de máquina es que, a diferencia de otras máquinas de vectores de soporte, no requiere ninguna formación previa y no es una caja negra:los resultados se pueden interpretar. Los datos no solo se clasifican en grupos; también puede interrogar a la máquina para ver cómo tomó su decisión final y conocer las distintas propiedades de cada grupo, "dijo el Dr. Ludovic Jaubert, investigador del CNRS en la Universidad de Burdeos.

    Los científicos de Munich alimentaron a la máquina con un cuarto de millón de configuraciones de giro generadas por las simulaciones de supercomputadora OIST del modelo de pirocloro. Sin ninguna información sobre qué fases estaban presentes, la máquina logró reproducir una versión idéntica del diagrama de fases.

    En tono rimbombante, cuando los científicos descifraron la "función de decisión" que la máquina había construido para clasificar diferentes tipos de líquido de giro, descubrieron que la computadora también había descubierto de forma independiente las ecuaciones matemáticas exactas que ejemplificaban cada fase, y todo el proceso demoraba unas semanas.

    "La mayor parte de este tiempo fue tiempo humano, por lo que aún son posibles más aceleraciones, ", dijo el profesor Pollet." Según lo que sabemos ahora, la máquina podría resolver el problema en un día ".

    "Estamos encantados con el éxito de la máquina, lo que podría tener enormes implicaciones para la física teórica, "añadió el profesor Shannon." El siguiente paso será darle a la máquina un problema aún más difícil, que los humanos aún no han logrado resolver, y ver si la máquina puede hacerlo mejor ".


    © Ciencia https://es.scienceaq.com