بررسی فیزیک ماده با استفاده از شبکههای عصبی
مجله علمی ایلیاد - الگوریتم یادگیری ماشین، بهگونهای طراحی شده که به کامپیوتر آموزش بدهد عکسها، فن بیان، الگوریتم دست خطها را تشخیص دهد؛ اکنون برای تشخیص بازهی بزرگی از دادهها مورد استفاده قرار میگیرد؛ یعنی تشخیص تغییر حالت اشکال مختلف ماده. این تحقیق که امروز در نشریهی فیزیک طبیعت توسط دو محقق موسسهی perimeter به چاپ رسید، به دنبال طرح سوالی انجام شد که آیا الگوریتمهای صنعت استاندارد یادگیری ماشین، میتواند محرکی برای تحقیقات فیزیکی باشد؟
برای یافتن پاسخ این سوال، «خوان کاراسکیا»، عضو سابق شورای مدیران موسسهی perimeter و «راجر ملکو»، عضو هیات علمی موسسه perimeter و دانشیار دانشگاه واترلو، سیستم تنسورفلو گوگل را که کتابخانهای نرمافزاری آزاد برای یادگیری ماشینی است در نظر گرفت و آنرا در سیستمی فیزیکی بهکار برد. به گفتهی ملکو آنها نمیدانستند چه چیزی را بپذیرند، او میگوید: «من فکر میکردم احتمال نتیجه گرفتن خیلی کم باشد.»
کاراسکیا که اکنون در شرکت محاسبات کوانتومی سیستمهای D-Wave کار میکند، میگوید: «استفاده از چندین گیگابایت اطلاعاتی که نشان دهندهی نوع ترکیببندی حالات مختلف ماده است، منجر به استفاده از نرمافزارهای شبیهسازی در ابررایانهها شد، کاراسکیا و ملکو، مجموعهی بزرگی از عکس، برای معرفی به الگوریتم یادگیری ماشین (که به شبکه عصبی نیز معروف است) ترتیب دیدند. نتیجه این شد که شبکهی عصبی حالات مختلف آهنربای ساده را تشخیص داده، همچنین حالت منظم فرومغناطیس را از حالتی که براثر حرارت بالا دچار بینظمی را تشخیص داده است. همچنین مرز (یا تغییر حالت) میان حالت مختلف ماده را تشخیص میدهد.
ملکو میگوید: «بار اول مشاهده کردم که این امر تاثیرگذار بود و بعد از آن فهمیدیم که میتواند در حل بسیاری از مشکلات مرتبط، مفید باشد. بدون هیچ مقدمهای باید گفت هیچ حد وحصری ندارد. هر کسی مثل من که به این میزان اطلاعات انبوه دست یافته باشد، میتواند این شبکهی عصبی استاندارد را امتحان کند.» این تحقیق که در اصل در می ۲۰۱۶ قبل از به چاپ رسیدن در مطبوعات، در arXiv به چاپ رسیده، نشان میدهد که بکار بردن یادگیری ماشین برای بررسی مواد و فیزیک آماری، میتواند فرصتهایی بسیار جدید برای تحقیق و در نهایت برای بکارگیری آن در جهان هستی ایجاد کند.
نوشته: Perimeter Institute for Theoretical Physics
ترجمه: سوسن زارع - مجله علمی ایلیاد