La struttura cristallina del pirocloro contiene atomi magnetici, che sono disposti a formare un reticolo di forme tetraedriche, uniti ad ogni angolo. Credito:unità di teoria della materia quantistica, OIST
Negli ultimi decenni, l'apprendimento automatico ha rivoluzionato molti settori della società, con macchine che imparano a guidare automobili, identificare i tumori e giocare a scacchi, spesso superando le loro controparti umane.
Ora, un team di scienziati con sede presso l'Okinawa Institute of Science and Technology Graduate University (OIST), l'Università di Monaco e il CNRS dell'Università di Bordeaux hanno dimostrato che le macchine possono anche battere i fisici teorici nel loro stesso gioco, risolvere problemi complessi con la stessa precisione degli scienziati, ma notevolmente più veloce.
Nello studio, recentemente pubblicato in Revisione fisica B , una macchina ha imparato a identificare fasi magnetiche insolite in un modello di pirocloro, un minerale naturale con una struttura reticolare tetraedrica. Sorprendentemente, quando si utilizza la macchina, la risoluzione del problema ha richiesto solo poche settimane, mentre in precedenza gli scienziati dell'OIST impiegavano sei anni.
"Questo mi sembra un passo davvero significativo, " ha detto il professor Nic Shannon, che guida l'Unità di Teoria della Materia Quantistica (TQM) presso l'OIST. "I computer sono ora in grado di svolgere attività scientifiche in modo molto significativo e affrontare problemi che hanno frustrato a lungo gli scienziati".
La fonte della frustrazione
In tutti i magneti, ogni atomo è associato a un minuscolo momento magnetico, noto anche come "spin". Nei magneti convenzionali, come quelli che si attaccano ai frigoriferi, tutti gli spin sono ordinati in modo che puntino nella stessa direzione, provocando un forte campo magnetico. Questo ordine è come il modo in cui gli atomi si ordinano in un materiale solido.
Il diagramma di fase prodotto dall'unità Theory of Quantum Mater dell'OIST, mostrando tutte le diverse fasi magnetiche che esistono nel modello più semplice su un reticolo di pirocloro. Fase III, VI e V sono liquidi di spin. Credito:immagine riprodotta con il permesso dell'American Physical Society da Phys. Rev. X, 2017, 7, 041057
Ma proprio come la materia può esistere in fasi diverse:solida, liquidi e gas, così anche le sostanze magnetiche. L'unità TQM è interessata a fasi magnetiche più insolite chiamate "liquidi di spin", che potrebbe avere usi nel calcolo quantistico. Nei liquidi di centrifuga, ci sono concorrenti, o interazioni "frustrate" tra gli spin, quindi invece di ordinare, gli spin fluttuano continuamente in direzione, simile al disordine visto nelle fasi liquide della materia.
In precedenza, l'unità TQM si proponeva di stabilire quali diversi tipi di liquido di rotazione potrebbero esistere nei magneti pirocloro frustrati. Hanno costruito un diagramma di fase, che ha mostrato come diverse fasi potrebbero verificarsi quando gli spin interagivano in modi diversi al variare della temperatura, con i loro risultati pubblicati su Physical Review X nel 2017.
Ma mettere insieme il diagramma di fase e identificare le regole che governano le interazioni tra gli spin in ogni fase è stato un processo arduo.
"Questi magneti sono letteralmente frustranti, " ha scherzato il prof. Shannon. "Anche il modello più semplice su un reticolo di pirocloro ha richiesto anni per risolvere il nostro team".
Entra nelle macchine
Con i crescenti progressi nell'apprendimento automatico, l'unità TQM era curiosa di sapere se le macchine potessero risolvere un problema così complesso.
Il diagramma di fase riprodotto dalla macchina. Per confronto, i confini di fase precedentemente determinati dagli scienziati senza la macchina sono stati disegnati sopra le righe. Credito:immagine riprodotta con il permesso dell'American Physical Society da Phys. Rev. B, 2019, 100, 174408
"Ad essere onesti, Ero abbastanza sicuro che la macchina si sarebbe guastata, " ha detto il prof. Shannon. "Questa è la prima volta che sono rimasto scioccato da un risultato - sono stato sorpreso, sono stato felice, ma mai scioccato".
Gli scienziati dell'OIST hanno collaborato con esperti di machine learning dell'Università di Monaco di Baviera, guidato dal professor Lode Pollet, che aveva sviluppato un "kernel tensoriale", un modo per rappresentare le configurazioni di spin in un computer. Gli scienziati hanno utilizzato il kernel tensoriale per dotare una "macchina vettoriale di supporto", che è in grado di classificare dati complessi in diversi gruppi.
"Il vantaggio di questo tipo di macchina è che, a differenza di altre macchine vettoriali di supporto, non richiede alcun addestramento preliminare e non è una scatola nera:i risultati possono essere interpretati. I dati non sono solo classificati in gruppi; puoi anche interrogare la macchina per vedere come ha preso la sua decisione finale e conoscere le proprietà distinte di ciascun gruppo, " ha detto il dottor Ludovic Jaubert, un ricercatore del CNRS presso l'Università di Bordeaux.
Gli scienziati di Monaco hanno alimentato la macchina con un quarto di milione di configurazioni di spin generate dalle simulazioni del supercomputer OIST del modello pirocloro. Senza alcuna informazione su quali fasi fossero presenti, la macchina è riuscita a riprodurre con successo una versione identica del diagramma di fase.
È importante sottolineare che quando gli scienziati hanno decifrato la "funzione di decisione" che la macchina aveva costruito per classificare i diversi tipi di liquido di spin, hanno scoperto che il computer aveva anche calcolato in modo indipendente le equazioni matematiche esatte che esemplificavano ogni fase, con l'intero processo che richiedeva poche settimane.
"La maggior parte di questo tempo è stato tempo umano, quindi ulteriori accelerazioni sono ancora possibili, " ha detto il Prof. Pollet. "In base a ciò che ora sappiamo, la macchina potrebbe risolvere il problema in un giorno."
"Siamo entusiasti del successo della macchina, che potrebbe avere enormi implicazioni per la fisica teorica, " ha aggiunto il Prof. Shannon. "Il prossimo passo sarà quello di dare alla macchina un problema ancora più difficile, che gli umani non sono ancora riusciti a risolvere, e vedere se la macchina può fare di meglio."
