За прошлое десятилетие машинное обучение разрешило инновационные успехи в компьютерном видении, перевод и распознавание речи. Позднее, машинное обучение было кроме этого применено к проблемам физики, в большинстве случаев для классификации физических числового моделирования и фаз стандартных состояний.
Мацей Кох-Януш, исследователь в Университете Теоретической Физики в Швейцарской высшей технической школе Цюриха, Швейцария и Zohar Ringel Иудейского университета в Иерусалиме, Израиль, сейчас изучил захватывающую возможность применения машинного обучения не как числовой симулятор либо ‘тестер догадки’, но как обязательный атрибут физического процесса рассуждения.Один ответственный ход в понимании физической совокупности, складывающейся из громадного количества фирм – к примеру, атомы, составляющие магнитный материал – обязан выяснить среди многих степеней свободы совокупности тех, каковые являются самыми ответственными для ее физического поведения. Это – традиционно ход, что надеется в громадной степени на опыт и человеческую интуицию. Но сейчас Кох-Януш и Рингель демонстрируют метод машинного обучения на базе неестественной нейронной сети, которая способна к исполнению легко этого, как они информируют в издании Nature Physics.
Их метод берет информацию о физической совокупности без любых предварительных знаний об этом и извлекает те степени свободы, каковые являются самыми релевантными, дабы обрисовать совокупность.С технической точки зрения машина делает один из решающих шагов одного из концептуально самых глубоких инструментов современной теоретической физики, так называемой группы перенормализации. Метод Коха-Януша и Рингеля снабжает как следует новый подход: внутренние представления данных, найденные соответственно созданными совокупностями машинного обучения, довольно часто считаются ‘неясными’, но результаты, к каким приводит их метод, снабжают фундаментальное физическое познание, отражая главную структуру физической совокупности.
Это поднимает возможность применения машинного обучения в науке совместным методом, объединяя мощность автомобилей дистиллировать данные от широких комплектов данных с фоновым знанием и человеческой креативностью.