Due fisici dell'ETH di Zurigo e dell'Università Ebraica di Gerusalemme hanno sviluppato un nuovo algoritmo di apprendimento automatico che analizza grandi set di dati che descrivono un sistema fisico ed estrae da essi le informazioni essenziali necessarie per comprendere la fisica sottostante.

Nell'ultimo decennio, l'apprendimento automatico ha consentito progressi rivoluzionari nella visione artificiale, riconoscimento vocale e traduzione. Più recentemente, l'apprendimento automatico è stato applicato anche a problemi di fisica, tipicamente per la classificazione delle fasi fisiche e la simulazione numerica degli stati fondamentali. Maciej Koch-Janusz, ricercatore presso l'Istituto di Fisica Teorica dell'ETH di Zurigo, Svizzera, e Zohar Ringel dell'Università Ebraica di Gerusalemme, Israele, hanno ora esplorato l'eccitante possibilità di sfruttare l'apprendimento automatico non come un simulatore numerico o un "tester di ipotesi, "ma come parte integrante del processo di ragionamento fisico.

Un passo importante nella comprensione di un sistema fisico costituito da un gran numero di entità, ad esempio, gli atomi che compongono un materiale magnetico, è identificare tra i molti gradi di libertà del sistema quelli che sono più rilevanti per il suo comportamento fisico. Questo è tradizionalmente un passo che si basa molto sull'intuizione e sull'esperienza umana. Ma ora, Koch-Janusz e Ringel dimostrano un algoritmo di apprendimento automatico basato su una rete neurale artificiale in grado di fare proprio questo, come riportano sul giornale Fisica della natura . Il loro algoritmo prende i dati su un sistema fisico senza alcuna conoscenza preliminare al riguardo ed estrae quei gradi di libertà che sono più rilevanti per descrivere il sistema.

Parlando tecnicamente, la macchina compie uno dei passaggi cruciali di uno degli strumenti concettualmente più profondi della fisica teorica moderna, il cosiddetto gruppo di rinormalizzazione. L'algoritmo di Koch-Janusz e Ringel fornisce un approccio qualitativamente nuovo:le rappresentazioni interne dei dati scoperte da sistemi di apprendimento automatico opportunamente progettati sono spesso considerate oscure, ma i risultati prodotti dal loro algoritmo forniscono informazioni fisiche fondamentali, riflettendo la struttura sottostante del sistema fisico. Ciò solleva la prospettiva di utilizzare l'apprendimento automatico nella scienza in modo collaborativo, combinando la potenza delle macchine per distillare informazioni da vasti set di dati con la creatività umana e la conoscenza di base.