Las fases de baja y alta temperatura se encuentran en las proporciones correctas a diferentes temperaturas en relación con el punto de transición para diferentes tamaños de celosía. (recuadro) El tamaño de la celosía puede tenerse en cuenta para obtener una única curva maestra. Crédito:Universidad Metropolitana de Tokio
Investigadores de la Universidad Metropolitana de Tokio han utilizado el aprendizaje automático para analizar modelos de giro, que se utilizan en física para estudiar las transiciones de fase. El trabajo anterior mostró que se podría aplicar un modelo de clasificación de imágenes / escritura a mano para distinguir estados en los modelos más simples. El equipo demostró que el enfoque es aplicable a modelos más complejos y descubrió que una IA entrenada en un modelo y aplicada a otro podría revelar similitudes clave entre distintas fases en diferentes sistemas.
El aprendizaje automático y la inteligencia artificial (IA) están revolucionando la forma en que vivimos, trabaja, juego, y maneja. Automóviles autónomos, el algoritmo que venció a un gran maestro de Go y los avances en finanzas son solo la punta del iceberg de una amplia gama de aplicaciones que ahora tienen un impacto significativo en la sociedad. La IA también está haciendo olas en la investigación científica. Un atractivo clave de estos algoritmos es que se pueden entrenar con datos preclasificados (p. Ej., imágenes de letras escritas a mano) y se aplicará para clasificar una gama mucho más amplia de datos.
En el campo de la física de la materia condensada, obra reciente de Carrasquilla y Melko ( Física de la naturaleza (2017) 13, 431-434) ha demostrado que las redes neuronales, el mismo tipo de IA que se utiliza para interpretar la escritura a mano, podría usarse para distinguir diferentes fases de la materia (por ejemplo, gas, líquidos y sólidos) en modelos físicos simples. Estudiaron el modelo de Ising, el modelo más simple para la aparición del magnetismo en materiales. Una red de átomos con un giro (hacia arriba o hacia abajo) tiene una energía que depende de la alineación relativa de los espines adyacentes. Dependiendo de las condiciones, estos espines pueden alinearse en una fase ferromagnética (como el hierro) o asumir direcciones aleatorias en una fase paramagnética. Generalmente, Los estudios de este tipo de sistema implican analizar alguna cantidad promediada (por ejemplo, la suma de todos los giros). El hecho de que se pueda utilizar una configuración microscópica completa para clasificar una fase supuso un auténtico cambio de paradigma.
Fase simulada de baja temperatura (izquierda) y alta temperatura (derecha) de un modelo 2D de Ising, donde los puntos azules son giros apuntando hacia arriba, y los puntos rojos son giros apuntando hacia abajo. Tenga en cuenta que los giros en la fase de baja temperatura son principalmente en la misma dirección. A esto se le llama fase ferromagnética. Por otra parte, a alta temperatura, la proporción de giros hacia arriba y hacia abajo está más cerca de 50:50. A esto se le llama fase paramagnética. Crédito:Universidad Metropolitana de Tokio
Ahora, un equipo dirigido por los profesores Hiroyuki Mori y Yutaka Okabe de la Universidad Metropolitana de Tokio está colaborando con el Instituto de Bioinformática en Singapur para llevar este enfoque al siguiente nivel. En su forma actual, el método de Carrasquilla y Melko no se puede aplicar a modelos más complejos que el modelo de Ising. Por ejemplo, tomar el modelo de Potts de q-state, donde los átomos pueden tomar uno de los estados q en lugar de simplemente "arriba" o "abajo". Aunque también tiene una transición de fase, distinguir las fases no es trivial. De hecho, en el caso de un modelo de cinco estados, hay 120 estados que son físicamente equivalentes. Para ayudar a una IA a diferenciar las fases, el equipo le dio más información microscópica, específicamente, cómo el estado de un átomo en particular se relaciona con el estado de otro átomo a cierta distancia, o cómo los giros se correlacionan con la separación. Habiendo entrenado a la IA con muchas de estas configuraciones de correlación para modelos Potts de tres y cinco estados, descubrieron que podía clasificar correctamente las fases e identificar la temperatura donde tuvo lugar la transición. Los investigadores también pudieron dar cuenta correctamente de la cantidad de puntos en su celosía, el efecto de tamaño finito.
La entrada (configuraciones de correlación) se alimenta a un sistema de nodos interconectados conocido como red neuronal , dando una serie de salidas que nos dicen a qué fase pertenece la configuración. Durante el entrenamiento, se le dice al algoritmo si las salidas son correctas o incorrectas, y la red se ajusta una y otra vez para lograr un mejor acuerdo, es decir, aprende . Crédito:Universidad Meropolitana de Tokio
Habiendo demostrado que su método funciona, probaron el mismo enfoque en un modelo de reloj de estado q, donde los giros adoptan una de las q orientaciones en un círculo. Cuando q es mayor o igual a cinco, Hay tres fases que puede tomar el sistema:una fase ordenada de baja temperatura, una fase de alta temperatura, y una fase intermedia conocida como la fase Berezinskii-Kosterlitz-Thouless (BKT), cuya investigación ganó John M. Kosterlitz, David J. Thouless y Duncan Haldane el Premio Nobel de Física 2016. Entrenaron con éxito una IA para diferenciar las tres fases con un modelo de reloj de seis estados. Cuando lo aplicaron a configuraciones de un modelo de reloj de cuatro estados, en el que solo se esperan dos fases, descubrieron que el algoritmo podría clasificar el sistema como si estuviera en una fase BKT cerca de la transición de fase. Esto demuestra que existe una conexión profunda entre la fase BKT y la fase crítica que surge en el suave punto de transición de fase de "segundo orden" en el sistema de cuatro estados.
El método presentado por el equipo es generalmente aplicable a una amplia gama de problemas científicos. Una parte clave de la física es la universalidad, identificar rasgos en sistemas o fenómenos aparentemente no relacionados que dan lugar a un comportamiento unificado. El aprendizaje automático es especialmente adecuado para extraer estas características de los modelos y sistemas más complejos, permitiendo que los científicos echen un vistazo a las profundas conexiones que gobiernan la naturaleza y nuestro universo.
