一種機器學習算法可以推斷熱力學時間箭頭的方向

熱力學第二定律描述了物理系統如何隨時間演化的不對稱性，稱為時間箭頭。在宏觀系統中，這種不對稱具有明確的方向(例如，可以很容易地注意到顯示系統隨時間變化的視頻是正常播放還是向后播放)。

但是，在微觀世界中，這個方向并不總是很明顯。實際上，微觀系統中的波動會導致明顯違反熱力學第二定律，從而導致時間箭頭變得模糊不清。結果，當觀看微觀過程的視頻時，即使不是不可能，也可能難以確定是正常播放還是向后播放。

馬里蘭大學的研究人員開發了一種機器學習算法，可以在宏觀和微觀過程中推斷熱力學時間箭頭的方向。在《自然物理學》上發表的一篇論文中提出的這種算法最終可以幫助發現與熱力學有關的新物理原理。

“我參加了由Jarzysnki教授教授的非平衡統計力學課程時，就從小規模學習了熱力學，”進行這項研究的研究人員之一Alireza Seif告訴Phys.org。“與此同時，我正在探索機器學習在物理學中的應用，近年來引起了人們的極大興趣。機器學習應用的一個例子是對圖像進行分類，并且使用相同的工具對物理學中的物質階段進行分類。 。”

在進行研究時，Seif意識到嘗試確定時間箭頭的方向的嘗試也可以歸類為分類問題。因此，他開始探索開發可以確定這個方向的機器學習算法的可能性，并與他的同事Mohammad Hafezi和Christopher Jarzynski討論了這個想法。三位研究人員決定合作。在初步實驗成功之后，他們開始研究神經網絡可以提供新的有價值的見解的各種情況。

賽夫解釋說：“我們使用監督學習并訓練了神經網絡，以基于一組物理過程的模擬電影來檢測時間箭頭的方向，并帶有指示前進/后退的相應標簽。” “我們的神經網絡輸出的數字介于0到1之間，取決于輸入(電影)和網絡的參數(權重和偏差)。然后，我們尋找那些參數值，該參數值可最大程度地減少神經網絡與真正的標簽(時間箭頭的方向)。”

當他們使用神經網絡分析物理過程的視頻時，他們發現它可以成功地以極好的準確性預測時間箭頭的方向。另外，算法的分析表明，在確定該方向時，耗散功是要使用的適當量。

在他們的研究中，研究人員還使用了由Google的一組軟件工程師引入的稱為Inceptionism的技術。這項技術使他們能夠研究神經網絡內部發生的事情，從而確定最具代表性的前進和后退軌跡。

例如，為了發現代表性的前進軌跡，團隊采用了未知方向(即前進或后退)的隨機輸入，并以網絡輸出將其分類為前進的方式對其進行了更改。然后他們表明，他們發現的代表性軌跡實際上與理論預測相符。

賽夫說：“近幾十年來，在非平衡統計物理學的背景下，時間箭頭的物理學得到了量化。” “有趣的是，在這些定理出現幾十年之前就存在一種眾所周知的算法(邏輯回歸)，得出相同的結果。可以想象的是，通過這種數值實驗，人們可以在發現該解決方案之前就對其進行理論上的闡述。從物理原理出發。”