Новый алгоритм учит машину находить самое главное | Gearmix
30.03.2018 12:27

Новый алгоритм учит машину находить самое главное

Источник перевод для gearmix ()

За последние десять лет машинное обучение привело к прорывным достижениям в областях компьютерного зрения, распознавания речи и перевода. Последнее время оно также применяется в решении задач в области физики, обычно для классификации физических состояний и численного моделирования основных состояний. Учёные Мацей Кох-Януш из Института теоретической физики в Цюрихе и Зохар Рингел из Еврейского Университета в Иерусалиме исследовали многообещающую возможность применять машинное обучение не только как численный симулятор или «тестировщик гипотез», но и как неотъемлемую часть умозаключений в отношении физических объектов и процессов.

Подпись к изображению: Результат работы алгоритма Коха-Януша и Рингеля (в цвете) поверх паттерна базовой модели димеров (чёрный) на двумерной решетке (красный). Алгоритм выделяет подходящие физические элементы не имея предварительных сведений об их взаимосвязях

Важным шагом к пониманию физической системы, состоящей из множества элементов – например, атомов, образующих магнитный материал – является возможность определить среди множества степеней свободы системы те, которые наиболее важны для её физического поведения. Традиционно это делается на основании интуиции и опыта, но теперь Кох-Януш и Рингель демонстрируют алгоритм машинного обучения основанный на искусственной нейронной сети, способный решить эту задачу. Их алгоритм принимает данные о физической системе, не имея предварительных знаний о ней, и выделяет те степени свободы, которые наиболее актуальны для описания системы.

С технической точки зрения машина делает важную часть работы самого сложного инструмента современной теоретической физики — так называемую ренормализационную группу. Алгоритм Коха-Януша и Рингеля даёт качественно новый подход: внутреннее представление данных, обнаруживаемое системами машинного обучения, считается «неясным», но результат этого алгоритма даёт фундаментальное физическое понимание, отражая глубинную структуру физической системы. В перспективе это указывает на возможность применять машинное обучение в науке, соединяя способность компьютера экстрагировать информацию из огромных массивов данных с творческими способностями человека.



ПОХОЖИЕ ЗАПИСИ


© Gearmix 2013
Права на опубликованный перевод принадлежат владельцам вебсайта gearmix.ru
Все графические изображения, использованные при оформлении статьи принадлежат их владельцам. Знак охраны авторского права распространяется только на текст статьи.
Использование материалов сайта без активной индексируемой ссылки на источник запрещено.

Комментарии запрещены.