人与机器：人工智能可以科学吗？

在过去的几十年中，机器学习已经彻底改变了社会的许多领域，其中机器学习可以驾驶汽车，识别肿瘤和下象棋-经常超过人类。

现在，位于冲绳科技大学研究生院（OIST），慕尼黑大学和波尔多大学的CNRS的一组科学家表明，机器也可以在自己的游戏中击败理论物理学家，从而解决复杂的问题与科学家一样准确，但速度要快得多。

在最近发表在《物理评测》 B上的这项研究中，一台机器学会了在烧绿石模型中识别异常磁相，烧绿石是一种天然存在的具有四面体晶格结构的矿物。值得注意的是，使用机器时，解决问题仅用了几周的时间，而以前的OIST科学家则需要6年的时间。

OIST的量子物质理论（TQM）部门负责人Nic Shannon教授说：“这似乎是非常重要的一步。” “计算机现在能够以非常有意义的方式进行科学，并解决长期困扰科学家的问题。”

沮丧的根源

在所有磁体中，每个Atom都与一个微小的磁矩相关联-也称为“自旋”。在常规磁体中（例如粘在冰箱上的磁体），所有自旋的排列顺序都使它们指向相同的方向，从而产生强磁场。此顺序类似于Atom在固体材料中的排列方式。

但是就像物质可以存在于固态，液态和气态的不同阶段一样，磁性物质也可以存在。 TQM单元对称为“自旋流动性”的更特殊的磁相感兴趣，这些磁相可用于量子计算。在自旋流动性中，自旋之间存在竞争或“受挫”的相互作用，因此自旋不是有序的，而是在方向上连续波动-类似于在物质液相中看到的无序状态。

以前，TQM单元着手确定受挫的烧绿石磁体中可能存在哪些不同类型的自旋流动性。他们构建了一个相图，该相图显示了自旋随着温度变化以不同方式相互作用时如何发生不同的相，并将其发现发表在2017年《物理评测X》上。

但是将阶段图拼凑在一起并确定控制每个阶段中自旋之间相互作用的规则是一个艰巨的过程。

香农教授开玩笑说：“这些磁铁实在令人沮丧。” “即使是在烧绿石晶格上最简单的模型，我们的团队也花了很多年才能解决。”

输入机器

随着机器学习的不断进步，TQM部门对机器是否可以解决如此复杂的问题感到好奇。

香农教授说：“说实话，我很确定机器会出故障。” “这是我第一次对结果感到震惊-我感到惊讶，我很高兴，但从未震惊过。”

OIST的科学家与由Lode Pollet教授领导的慕尼黑大学的机器学习专家合作，后者开发了“张量内核”-一种在计算机中表示自旋配置的方法。科学家使用张量内核来装备“支持向量机”，该机器能够将复杂数据分类为不同的组。

“这种类型的机器的优势在于，与其他支持向量机不同，它不需要任何先验训练，也不是黑匣子-结果可以解释。数据不仅被分为几类；您还可以也可以询问机器，看看它是如何做出最终决定的，并了解每个小组的独特属性。”波尔多大学CNRS研究人员Ludovic Jaubert博士说。

慕尼黑的科学家用OIST超级氯仿模型超级计算机模拟生成的百万分之一旋转配置喂给了该机器。在没有有关存在哪些阶段的任何信息的情况下，机器成功地管理了复制相同版本的阶段图的过程。

重要的是，当科学家们破译了机器用来对不同类型的旋转流动性进行分类的“决策函数”时，他们发现计算机还独立地找出了代表每个阶段的精确数学方程式-整个过程几周。

Pollet教授说：“这段时间大部分是人工时间，因此仍有可能进一步提高速度。” “基于我们现在所知道的，机器可以在一天内解决问题。”

Shannon教授补充说：“这台机器的成功令我们感到兴奋，这对理论物理学可能产生巨大的影响。” “下一步将是给机器带来一个更加棘手的问题，人类尚未设法解决该问题，并观察机器是否可以做得更好。”

有所作为：赞助机会

故事来源：

用料 由…提供 冲绳科技大学大学院。注意：可以编辑内容的样式和长度。