La segunda ley de la termodinámica delinea una asimetría en cómo los sistemas físicos evolucionan con el tiempo, conocida como la flecha del tiempo. En sistemas macroscópicos, esta asimetría tiene una dirección clara (por ejemplo, uno puede notar fácilmente si un video que muestra la evolución de un sistema a lo largo del tiempo se reproduce normalmente o hacia atrás).

En el mundo microscópico sin embargo, esta dirección no siempre es evidente. De hecho, las fluctuaciones en los sistemas microscópicos pueden conducir a claras violaciones de la segunda ley de la termodinámica, haciendo que la flecha del tiempo se vuelva borrosa y menos definida. Como resultado, al ver un video de un proceso microscópico, puede ser difícil, si no imposible, para determinar si se está reproduciendo normalmente o al revés.

Investigadores de la Universidad de Maryland desarrollaron un algoritmo de aprendizaje automático que puede inferir la dirección de la flecha termodinámica del tiempo en procesos tanto macroscópicos como microscópicos. Este algoritmo, presentado en un artículo publicado en Física de la naturaleza , En última instancia, podría ayudar a descubrir nuevos principios físicos relacionados con la termodinámica.

"Aprendí sobre termodinámica a pequeña escala cuando tomé un curso sobre mecánica estadística de no equilibrio impartido por el profesor Jarzysnki, "Alireza Seif, uno de los investigadores que realizó el estudio, dijo Phys.org. "Al mismo tiempo, Estaba explorando aplicaciones de aprendizaje automático en física, que han despertado mucho interés en los últimos años. Un ejemplo de aplicaciones de aprendizaje automático es la clasificación de imágenes y las mismas herramientas se han utilizado para clasificar las fases de la materia en física ".

Mientras continuaba sus estudios, Seif se dio cuenta de que la búsqueda de tratar de determinar la dirección de la flecha del tiempo también podría enmarcarse como un problema de clasificación. Por lo tanto, comenzó a explorar la posibilidad de desarrollar un algoritmo de aprendizaje automático que pueda determinar esta dirección y discutió esta idea con sus colegas Mohammad Hafezi y con Christopher Jarzynski. Los tres investigadores decidieron colaborar. Después del éxito de un experimento inicial, comenzaron a estudiar varios casos en los que su red neuronal podría proporcionar una nueva información valiosa.

"Utilizamos el aprendizaje supervisado y entrenamos una red neuronal para detectar la dirección de la flecha del tiempo en función de un conjunto de películas simuladas de procesos físicos con las etiquetas correspondientes que indican hacia atrás / adelante, "Seif explicó." Nuestra red neuronal genera un número entre 0 y 1, que depende de la entrada (la película), y los parámetros de la red (ponderaciones y sesgos). Luego buscamos los valores de los parámetros que minimizan la diferencia entre la salida de la red neuronal y las etiquetas verdaderas (dirección de la flecha del tiempo) ".

Cuando utilizaron su red neuronal para analizar videos de procesos físicos, descubrieron que podía predecir con éxito la dirección de la flecha del tiempo con excelente precisión. Además, Los análisis del algoritmo revelaron que el trabajo disipado es la cantidad adecuada para usar cuando se trata de determinar esta dirección.

En su estudio, Los investigadores también utilizaron una técnica conocida como inceptionism, presentado por un equipo de ingenieros de software de Google. Esta técnica les permitió investigar lo que sucede dentro de su red neuronal, identificar las trayectorias hacia adelante y hacia atrás más representativas.

Por ejemplo, para descubrir una trayectoria de avance representativa, el equipo tomó una entrada aleatoria con una dirección desconocida (es decir, hacia adelante o hacia atrás) y lo cambió de tal manera que la salida de red lo clasificó como hacia adelante. Luego demostraron que las trayectorias representativas que descubrieron en realidad coincidían con las predicciones teóricas.

"La física de la flecha del tiempo en el contexto de la física estadística del desequilibrio se cuantificó en las últimas décadas, "Seif dijo." Es interesante que un algoritmo bien conocido (regresión logística) que existía décadas antes de estos teoremas conduce a los mismos resultados. Es concebible que, con tales experimentos numéricos, se podría llegar a la formulación teórica de la solución antes de su descubrimiento a partir de principios físicos ".

Seif y sus colegas encontraron que su algoritmo de aprendizaje automático resolvió un problema de física básico e identificaron los parámetros físicos más importantes para abordar este problema de manera efectiva. El equipo también mostró que la dirección de la flecha del tiempo se puede inferir sin la necesidad de especificar qué proceso físico exacto está ocurriendo. lo cual es muy difícil de lograr de forma manual o analítica. En el futuro, el equipo planea continuar explorando el potencial del uso de algoritmos de aprendizaje automático para realizar investigaciones en física y hacer nuevos descubrimientos científicos.

"La física de los sistemas que están fuera de equilibrio es un área de interés particular para nosotros, ya que tiene preguntas sin resolver que podrían responderse estudiando la dinámica de los sistemas con algoritmos de aprendizaje automático, ", Dijo Seif." Para construir la caja de herramientas para responder estas preguntas, tenemos que empezar con ejemplos concretos que sepamos resolver como banco de pruebas. En la actualidad, estamos analizando problemas de física estadística, tanto en el dominio cuántico como en el clásico, e intentar comprender qué pueden aprender las herramientas de aprendizaje automático a partir de observaciones experimentales ".

© 2020 Science X Network