Un algoritmo de aprendizaje automático diseñado para enseñar a las computadoras a reconocer fotos, patrones de habla, y los dígitos escritos a mano ahora se han aplicado a un conjunto de datos muy diferente:identificar las transiciones de fase entre los estados de la materia.
Esta nueva investigación, publicado hoy en Física de la naturaleza por dos investigadores del Perimeter Institute, se basó en una pregunta simple:¿podrían los algoritmos de aprendizaje automático estándar de la industria ayudar a impulsar la investigación en física? Descubrir, el ex becario postdoctoral del Perimeter Institute Juan Cassasquilla y Roger Melko, miembro del cuerpo docente asociado en Perimeter y profesor asociado en la Universidad de Waterloo, reutilizó TensorFlow de Google, una biblioteca de software de código abierto para el aprendizaje automático, y lo aplicó a un sistema físico.
Melko dice que no sabían qué esperar. "Pensé que era una posibilidad remota, " él admite.
Usando gigabytes de datos que representan diferentes configuraciones de estado creadas usando software de simulación en supercomputadoras, Carrasquilla y Melko crearon una gran colección de "imágenes" para introducir en el algoritmo de aprendizaje automático (también conocido como red neuronal). El resultado:la red neuronal distinguió las fases de un simple imán, y podría distinguir una fase ferromagnética ordenada de una fase desordenada de alta temperatura. Incluso podría encontrar el límite (o transición de fase) entre fases, dice Carrasquilla, que ahora trabaja en la empresa de computación cuántica D-Wave Systems.
"Una vez que vimos que funcionaban, entonces supimos que iban a ser útiles para muchos problemas relacionados. De repente, El cielo es el límite, "Dice Melko." Todos como yo, que tienen acceso a cantidades masivas de datos, pueden probar estas redes neuronales estándar ".
Esta investigación, que se publicó originalmente como una preimpresión en arXiv en mayo, 2016, muestra que la aplicación del aprendizaje automático a la materia condensada y la física estadística podría abrir oportunidades completamente nuevas para la investigación y, finalmente, aplicación en el mundo real.
