Une trajectoire (film) est représentée par une matrice X. Cette matrice est l'entrée d'un réseau de neurones, qui détecte la direction de la flèche du temps. Crédit :Seif, Hafezi &Jarzynski.
La deuxième loi de la thermodynamique délimite une asymétrie dans la façon dont les systèmes physiques évoluent dans le temps, connue sous le nom de flèche du temps. Dans les systèmes macroscopiques, cette asymétrie a une direction claire (par exemple, on peut facilement remarquer si une vidéo montrant l'évolution d'un système dans le temps est jouée normalement ou à l'envers).
Dans le monde microscopique, cependant, cette direction n'est pas toujours apparente. En réalité, les fluctuations dans les systèmes microscopiques peuvent conduire à des violations claires de la deuxième loi de la thermodynamique, rendant la flèche du temps floue et moins définie. Par conséquent, lorsque vous regardez une vidéo d'un processus microscopique, ça peut être difficile, sinon impossible, pour déterminer s'il est joué normalement ou à l'envers.
Des chercheurs de l'Université du Maryland ont développé un algorithme d'apprentissage automatique qui peut déduire la direction de la flèche thermodynamique du temps dans les processus macroscopiques et microscopiques. Cet algorithme, présenté dans un article publié dans Physique de la nature , pourrait finalement aider à découvrir de nouveaux principes physiques liés à la thermodynamique.
"J'ai appris la thermodynamique à petite échelle en suivant un cours de mécanique statistique hors équilibre enseigné par le professeur Jarzysnki, " Alireza Seif, l'un des chercheurs qui a mené l'étude, dit Phys.org. "À la fois, J'explorais les applications de l'apprentissage automatique en physique, qui ont suscité beaucoup d'intérêt ces dernières années. Un exemple d'applications d'apprentissage automatique est la classification d'images et les mêmes outils ont été utilisés pour classer les phases de la matière en physique."
Alors qu'il poursuivait ses études, Seif s'est rendu compte que la quête consistant à essayer de déterminer la direction de la flèche du temps pouvait également être présentée comme un problème de classification. Il a donc commencé à explorer la possibilité de développer un algorithme d'apprentissage automatique capable de déterminer cette direction et a discuté de cette idée avec ses collègues Mohammad Hafezi et avec Christopher Jarzynski. Les trois chercheurs ont décidé de collaborer. Après le succès d'une première expérience, ils ont commencé à étudier divers cas dans lesquels leur réseau de neurones pourrait fournir de nouvelles informations précieuses.
"Nous avons utilisé l'apprentissage supervisé et entraîné un réseau de neurones pour détecter la direction de la flèche du temps sur la base d'un ensemble de films simulés de processus physiques avec des étiquettes correspondantes indiquant en arrière/en avant, " Seif a expliqué. "Notre réseau de neurones génère un nombre entre 0 et 1, qui dépend de l'entrée (le film), et les paramètres du réseau (poids et biais). Nous recherchons ensuite les valeurs de paramètres qui minimisent la différence entre la sortie du réseau de neurones et les vraies étiquettes (direction de la flèche du temps)."
Lorsqu'ils ont utilisé leur réseau de neurones pour analyser des vidéos de processus physiques, ils ont découvert qu'il pouvait prédire avec succès la direction de la flèche du temps avec une excellente précision. En outre, les analyses de l'algorithme ont révélé que le travail dissipé est la bonne quantité à utiliser pour essayer de déterminer cette direction.
Dans leur étude, les chercheurs ont également utilisé une technique connue sous le nom de créationnisme, présenté par une équipe d'ingénieurs logiciels de Google. Cette technique leur a permis d'enquêter sur ce qui se passe à l'intérieur de leur réseau de neurones, identifier les trajectoires avant et arrière les plus représentatives.
Par exemple, découvrir une trajectoire vers l'avant représentative, l'équipe a pris une entrée aléatoire avec une direction inconnue (c'est-à-dire, vers l'avant ou vers l'arrière) et l'a modifié de telle sorte que la sortie du réseau l'ait classé comme avant. Ils ont ensuite montré que les trajectoires représentatives qu'ils ont découvertes correspondaient en fait aux prédictions théoriques.
"La physique de la flèche du temps dans le contexte de la physique statistique hors d'équilibre a été quantifiée au cours des dernières décennies, " a déclaré Seif. " Il est intéressant de noter qu'un algorithme bien connu (régression logistique) qui existait des décennies avant ces théorèmes conduit aux mêmes résultats. Il est concevable que, avec de telles expériences numériques, on pourrait proposer la formulation théorique de la solution avant sa découverte à partir de principes physiques. »
Seif et ses collègues ont découvert que leur algorithme d'apprentissage automatique résolvait à la fois un problème de physique de base et identifiait les paramètres physiques les plus importants pour résoudre efficacement ce problème. L'équipe a également montré que la direction de la flèche du temps peut être déduite sans qu'il soit nécessaire de spécifier quel processus physique exact se déroule, ce qui est très difficile à réaliser manuellement ou analytiquement. À l'avenir, l'équipe prévoit de continuer à explorer le potentiel de l'utilisation d'algorithmes d'apprentissage automatique pour mener des recherches en physique et faire de nouvelles découvertes scientifiques.
"La physique des systèmes hors d'équilibre est un domaine d'intérêt particulier pour nous, car il a des questions non résolues qui pourraient être résolues en étudiant la dynamique des systèmes avec des algorithmes d'apprentissage automatique, " a déclaré Seif. " Pour construire la boîte à outils pour répondre à ces questions, il faut partir d'exemples concrets que l'on sait résoudre en banc d'essai. Actuellement, nous examinons des problèmes de physique statistique, à la fois dans le domaine quantique et classique, et essayer de comprendre ce que les outils d'apprentissage automatique peuvent apprendre des observations expérimentales."
© 2020 Réseau Science X