Un algorithme d'apprentissage automatique conçu pour apprendre aux ordinateurs à reconnaître les photos, types de discours, et les chiffres écrits à la main ont maintenant été appliqués à un ensemble de données très différent :identifier les transitions de phase entre les états de la matière.

Cette nouvelle recherche, publié aujourd'hui dans Physique de la nature par deux chercheurs de l'Institut Périmètre, a été construit sur une question simple :les algorithmes d'apprentissage automatique standard de l'industrie pourraient-ils aider à alimenter la recherche en physique ? Découvrir, l'ancien boursier postdoctoral de l'Institut Périmètre Juan Cassasquilla et Roger Melko, membre agrégé du corps professoral à l'Institut Périmètre et professeur agrégé à l'Université de Waterloo, TensorFlow de Google réutilisé, une bibliothèque de logiciels open source pour l'apprentissage automatique, et appliqué à un système physique.

Melko dit qu'ils ne savaient pas à quoi s'attendre. "Je pensais que c'était un long shot, " il admet.

En utilisant des gigaoctets de données représentant différentes configurations d'état créées à l'aide de logiciels de simulation sur des supercalculateurs, Carrasquilla et Melko ont créé une grande collection d'"images" à introduire dans l'algorithme d'apprentissage automatique (également connu sous le nom de réseau de neurones). Le résultat :le réseau de neurones distingue les phases d'un simple aimant, et pourrait distinguer une phase ferromagnétique ordonnée d'une phase désordonnée à haute température. Il pourrait même trouver la frontière (ou transition de phase) entre les phases, dit Carrasquilla, qui travaille maintenant pour la société d'informatique quantique D-Wave Systems.

« Une fois que nous avons vu qu'ils fonctionnaient, alors nous savions qu'ils allaient être utiles pour de nombreux problèmes connexes. Tout à coup, le ciel est la limite, " dit Melko. "Toute personne comme moi qui a accès à des quantités massives de données peut essayer ces réseaux de neurones standard."

Cette recherche, qui a été initialement publié en tant que prépublication sur arXiv en mai, 2016, montre que l'application de l'apprentissage automatique à la matière condensée et à la physique statistique pourrait ouvrir de toutes nouvelles opportunités pour la recherche et, finalement, application du monde réel.