Des chercheurs de l'Université métropolitaine de Tokyo ont utilisé l'apprentissage automatique pour analyser des modèles de spin, qui sont utilisés en physique pour étudier les transitions de phase. Des travaux antérieurs ont montré qu'un modèle de classification image/écriture manuscrite pouvait être appliqué pour distinguer les états dans les modèles les plus simples. L'équipe a montré que l'approche est applicable à des modèles plus complexes et a découvert qu'une IA formée sur un modèle et appliquée à un autre pourrait révéler des similitudes clés entre des phases distinctes dans différents systèmes.

L'apprentissage automatique et l'intelligence artificielle (IA) révolutionnent notre mode de vie, travail, jouer, et conduire. Voitures autonomes, l'algorithme qui a battu un grand maître du Go et les avancées de la finance ne sont que la pointe de l'iceberg d'un large éventail d'applications ayant désormais un impact significatif sur la société. L'IA fait également des vagues dans la recherche scientifique. L'un des principaux attraits de ces algorithmes est qu'ils peuvent être entraînés avec des données pré-classifiées (par exemple, images de lettres manuscrites) et être appliqué pour classer un éventail beaucoup plus large de données.

Dans le domaine de la physique de la matière condensée, travaux récents de Carrasquilla et Melko ( Physique de la nature (2017) 13, 431-434) a montré que les réseaux de neurones, le même type d'IA utilisé pour interpréter l'écriture manuscrite, pourrait être utilisé pour distinguer différentes phases de la matière (par exemple, gaz, liquide et solide) dans des modèles physiques simples. Ils ont étudié le modèle d'Ising, le modèle le plus simple pour l'émergence du magnétisme dans les matériaux. Un réseau d'atomes avec un spin (vers le haut ou vers le bas) a une énergie qui dépend de l'alignement relatif des spins adjacents. Selon les conditions, ces spins peuvent s'aligner dans une phase ferromagnétique (comme le fer) ou prendre des directions aléatoires dans une phase paramagnétique. D'habitude, les études de ce type de système impliquent l'analyse d'une quantité moyenne (par exemple, la somme de tous les tours). Le fait qu'une configuration microscopique entière puisse être utilisée pour classer une phase a présenté un véritable changement de paradigme.

Maintenant, une équipe dirigée par les professeurs Hiroyuki Mori et Yutaka Okabe de l'Université métropolitaine de Tokyo collabore avec le Bioinformatics Institute de Singapour pour faire passer cette approche au niveau supérieur. Sous sa forme actuelle, la méthode de Carrasquilla et Melko ne peut pas être appliquée à des modèles plus complexes que le modèle d'Ising. Par exemple, prendre le modèle de Potts q-state, où les atomes peuvent prendre l'un des q états au lieu de simplement "haut" ou "bas". Bien qu'il ait également une transition de phase, distinguer les phases n'est pas anodin. En réalité, dans le cas d'un modèle à cinq états, il y a 120 états qui sont physiquement équivalents. Pour aider une IA à distinguer les phases, l'équipe lui a donné plus d'informations microscopiques, Plus précisément, comment l'état d'un atome particulier se rapporte à l'état d'un autre atome à une certaine distance, ou comment les spins sont en corrélation avec la séparation. Après avoir entraîné l'IA avec bon nombre de ces configurations de corrélation pour les modèles de Potts à trois et cinq états, ils ont découvert qu'il pouvait correctement classer les phases et identifier la température à laquelle la transition avait eu lieu. Les chercheurs ont également pu comptabiliser correctement le nombre de points dans leur réseau, l'effet de taille finie.

Après avoir démontré que leur méthode fonctionne, ils ont essayé la même approche sur un modèle d'horloge q-state, où les spins adoptent l'une des q orientations sur un cercle. Lorsque q est supérieur ou égal à cinq, il y a trois phases que le système peut prendre :une phase commandée à basse température, une phase à haute température, et une phase intermédiaire connue sous le nom de phase Berezinskii-Kosterlitz-Thouless (BKT), dont l'enquête a valu à John M. Kosterlitz, David J. Thouless et Duncan Haldane le prix Nobel de physique 2016. Ils ont formé avec succès une IA pour distinguer les trois phases avec un modèle d'horloge à six états. Lorsqu'ils l'ont appliqué aux configurations d'un modèle d'horloge à quatre états, dans laquelle seules deux phases sont attendues, ils ont découvert que l'algorithme pouvait classer le système comme étant dans une phase BKT près de la transition de phase. Cela démontre qu'il existe un lien profond entre la phase BKT et la phase critique apparaissant au point de transition de phase en douceur de « second ordre » dans le système à quatre états.

La méthode présentée par l'équipe est généralement applicable à un large éventail de problèmes scientifiques. Un élément clé de la physique est l'universalité, identifier des traits dans des systèmes ou des phénomènes apparemment sans rapport qui donnent lieu à un comportement unifié. L'apprentissage automatique est particulièrement bien adapté pour extraire ces fonctionnalités des modèles et systèmes les plus complexes, laisser les scientifiques jeter un coup d'œil aux liens profonds qui régissent la nature et notre univers.