教學機器發現必不可少的

蘇黎世聯邦理工學院和耶路撒冷希伯來大學的兩位物理學家開發了一種新穎的機器學習算法，該算法分析描述物理系統的大型數據集，并從中提取理解基礎物理所需的基本信息。

在過去十年中，機器學習已經在計算機視覺，語音識別和翻譯方面取得了突破性進展。最近，機器學習也被應用于物理問題，通常用于物理相的分類和基態的數值模擬。瑞士蘇黎世聯邦理工學院理論物理研究所的研究員Maciej Koch-Janusz和以色列耶路撒冷希伯來大學的Zohar Ringel現在探索了利用機器學習而不是數值模擬器或“假設”的激動人心的可能性。測試員'，但作為物理推理過程的一個組成部分。

理解由大量實體組成的物理系統(例如，構成磁性材料的原子)的一個重要步驟是在系統的許多自由度中識別與其物理行為最相關的那些自由度。 。傳統上這是一個嚴重依賴人類直覺和經驗的步驟。但現在，Koch-Janusz和Ringel展示了一種基于人工神經網絡的機器學習算法，正如他們在“ 自然物理學 ”雜志上報道的那樣。他們的算法在沒有任何先驗知識的情況下獲取有關物理系統的數據，并提取與描述系統最相關的那些自由度。

從技術上講，該機器執行現代理論物理概念上最重要的工具之一的關鍵步驟之一，即所謂的重整化組。Koch-Janusz和Ringel的算法提供了一種定性的新方法：由適當設計的機器學習系統發現的內部數據表示通常被認為是“模糊的”，但是他們的算法產生的結果提供了基本的物理洞察力，反映了潛在的物理系統的結構。這提高了以協作的方式在科學中使用機器學習的前景，結合了機器的力量，從大量數據集中提取人類創造力和背景知識。