I ricercatori della Tokyo Metropolitan University hanno utilizzato l'apprendimento automatico per analizzare i modelli di spin, utilizzati in fisica per studiare le transizioni di fase. Il lavoro precedente ha mostrato che un modello di classificazione immagine/scrittura potrebbe essere applicato per distinguere gli stati nei modelli più semplici. Il team ha mostrato che l'approccio è applicabile a modelli più complessi e ha scoperto che un'intelligenza artificiale addestrata su un modello e applicata a un altro potrebbe rivelare somiglianze chiave tra fasi distinte in sistemi diversi.

L'apprendimento automatico e l'intelligenza artificiale (AI) stanno rivoluzionando il modo in cui viviamo, opera, giocare a, e guidare. Auto a guida autonoma, l'algoritmo che ha battuto un grande maestro di Go e i progressi della finanza sono solo la punta dell'iceberg di una vasta gamma di applicazioni che ora hanno un impatto significativo sulla società. L'intelligenza artificiale sta facendo scalpore anche nella ricerca scientifica. Un'attrazione chiave di questi algoritmi è che possono essere addestrati con dati preclassificati (ad es. immagini di lettere scritte a mano) ed essere applicati per classificare una gamma molto più ampia di dati.

Nel campo della fisica della materia condensata, lavoro recente di Carrasquilla e Melko ( Fisica della natura (2017) 13, 431-434) ha dimostrato che le reti neurali, lo stesso tipo di intelligenza artificiale utilizzato per interpretare la scrittura a mano, potrebbe essere usato per distinguere diverse fasi della materia (ad es. gas, liquidi e solidi) in semplici modelli fisici. Hanno studiato il modello di Ising, il modello più semplice per l'emergere del magnetismo nei materiali. Un reticolo di atomi con uno spin (su o giù) ha un'energia che dipende dall'allineamento relativo degli spin adiacenti. A seconda delle condizioni, questi spin possono allinearsi in una fase ferromagnetica (come il ferro) o assumere direzioni casuali in una fase paramagnetica. Generalmente, gli studi di questo tipo di sistema comportano l'analisi di una quantità media (ad es. la somma di tutti i giri). Il fatto che un'intera configurazione microscopica possa essere utilizzata per classificare una fase ha rappresentato un vero cambiamento di paradigma.

Ora, un team guidato dai professori Hiroyuki Mori e Yutaka Okabe della Tokyo Metropolitan University sta collaborando con il Bioinformatics Institute di Singapore per portare questo approccio al livello successivo. Nella sua forma esistente, il metodo di Carrasquilla e Melko non può essere applicato a modelli più complessi del modello di Ising. Ad esempio, prendi il modello di Potts q-state, dove gli atomi possono assumere uno degli stati q invece di "su" o "giù". Sebbene abbia anche una transizione di fase, distinguere le fasi non è banale. Infatti, nel caso di un modello a cinque stati, ci sono 120 stati che sono fisicamente equivalenti. Per aiutare un'IA a distinguere le fasi, il team ha fornito informazioni più microscopiche, nello specifico, come lo stato di un particolare atomo si relaziona allo stato di un altro atomo a una certa distanza, o come gli spin sono correlati alla separazione. Avendo addestrato l'IA con molte di queste configurazioni di correlazione per i modelli di Potts a tre e cinque stati, hanno scoperto che potrebbe classificare correttamente le fasi e identificare la temperatura in cui è avvenuta la transizione. I ricercatori potrebbero anche spiegare correttamente il numero di punti nel loro reticolo, l'effetto di dimensione finita.

Avendo dimostrato che il loro metodo funziona, hanno provato lo stesso approccio su un modello di clock q-state, dove gli spin adottano uno di q orientamenti su un cerchio. Quando q è maggiore o uguale a cinque, sono tre le fasi che il sistema può assumere:una fase ordinata a bassa temperatura, una fase ad alta temperatura, e una fase intermedia nota come fase Berezinskii-Kosterlitz-Thouless (BKT), la cui indagine ha vinto John M. Kosterlitz, David J. Thouless e Duncan Haldane il Premio Nobel 2016 per la Fisica. Hanno addestrato con successo un'intelligenza artificiale per distinguere le tre fasi con un modello di clock a sei stati. Quando l'hanno applicato alle configurazioni di un modello di orologio a quattro stati, in cui sono previste solo due fasi, hanno scoperto che l'algoritmo potrebbe classificare il sistema come in una fase BKT vicino alla transizione di fase. Ciò dimostra che esiste una profonda connessione tra la fase BKT e la fase critica che sorge nel punto di transizione di fase di "secondo ordine" nel sistema a quattro stati.

Il metodo presentato dal team è generalmente applicabile a un'ampia gamma di problemi scientifici. Una parte fondamentale della fisica è l'universalità, identificare tratti in sistemi o fenomeni apparentemente non correlati che danno origine a comportamenti unificati. L'apprendimento automatico è particolarmente adatto per estrarre queste funzionalità dai modelli e dai sistemi più complessi, permettendo agli scienziati di dare un'occhiata alle profonde connessioni che governano la natura e il nostro universo.