Dos físicos de ETH Zurich y la Universidad Hebrea de Jerusalén han desarrollado un novedoso algoritmo de aprendizaje automático que analiza grandes conjuntos de datos que describen un sistema físico y extrae de ellos la información esencial necesaria para comprender la física subyacente.

En la última década, el aprendizaje automático ha permitido avances revolucionarios en la visión por computadora, reconocimiento de voz y traducción. Más recientemente, El aprendizaje automático también se ha aplicado a problemas de física, típicamente para la clasificación de fases físicas y la simulación numérica de estados fundamentales. Maciej Koch-Janusz, investigador del Instituto de Física Teórica de ETH Zurich, Suiza, y Zohar Ringel de la Universidad Hebrea de Jerusalén, Israel, ahora han explorado la emocionante posibilidad de aprovechar el aprendizaje automático no como un simulador numérico o un "probador de hipótesis, "sino como parte integral del proceso de razonamiento físico.

Un paso importante para comprender un sistema físico que consta de una gran cantidad de entidades, por ejemplo, los átomos que componen un material magnético, es identificar entre los muchos grados de libertad del sistema aquellos que son más relevantes para su comportamiento físico. Este es tradicionalmente un paso que se basa en gran medida en la intuición y la experiencia humanas. Pero ahora, Koch-Janusz y Ringel demuestran un algoritmo de aprendizaje automático basado en una red neuronal artificial que es capaz de hacer precisamente eso, como informan en la revista Física de la naturaleza . Su algoritmo toma datos sobre un sistema físico sin ningún conocimiento previo sobre él y extrae aquellos grados de libertad que son más relevantes para describir el sistema.

Tecnicamente hablando, la máquina realiza uno de los pasos cruciales de una de las herramientas conceptualmente más profundas de la física teórica moderna, el llamado grupo de renormalización. El algoritmo de Koch-Janusz y Ringel proporciona un enfoque cualitativamente nuevo:las representaciones de datos internos descubiertas por sistemas de aprendizaje automático adecuadamente diseñados a menudo se consideran oscuras. pero los resultados que arroja su algoritmo proporcionan información física fundamental, reflejando la estructura subyacente del sistema físico. Esto plantea la posibilidad de emplear el aprendizaje automático en la ciencia de forma colaborativa, combinando el poder de las máquinas para extraer información de vastos conjuntos de datos con la creatividad humana y los conocimientos previos.