Исследователи из Токийского столичного университета использовали машинное обучение для лучшего понимания спиновых моделей фазовых переходов. Свою работу авторы опубликовали в журнале Scientific Reports.

Машинное обучение и искусственный интеллект (ИИ) революционизируют то, как мы живем, работаем, играем и передвигаемся. Самоуправляемый автомобиль, алгоритм, который победил гроссмейстера по игре в го, а также достижения в области финансов — это лишь верхушка айсберга тех областей знаний, в которых ИИ оказывает значительное влияние на общество.

Компьютерные алгоритмы также позволяют добиваться значительного прогресса в научных исследованиях. Такие программы привлекательны для ученых прежде всего тем, что их можно обучить на определенном массиве данных, после чего использовать для анализа гораздо более широкого диапазона объектов (например, изображений).

Ранее было показано, что искусственную нейронную сеть, предназначенную для анализа человеческого почерка, можно модернизировать и использовать, чтобы определять различные фазы материала. Ранее авторы изучали модель Изинга, которая описывает возникновение магнетизма в материалах. В кристаллической решетке магнетиков имеются атомы химических элементов с различными направлениями спинов. Их взаимная ориентация определяет тип магнетизма в материале: если спины направлены в одном направлении, то материал будет считаться ферромагнетиком, а если, например, их направления чередуются и число разнонаправленных спинов равно, то такое соединение будет антиферромагнетиком.

Обычно исследования такого рода систем включают анализ некоторой усредненной величины, например векторной суммы всех спинов. Но теперь ученые нашли способ анализа магнитных материалов через микроскопическое исследование фаз, в которые он может переходить при определенных температурах. Отличия в них смог выявить адаптированный физиками искусственный интеллект.

В новом исследовании японские ученые пошли дальше и применили разработанный алгоритм к более сложной модели Поттса, в которой спины могут принимать значение не только «вверх» или «вниз», но и одно из нескольких других состояний, количество которых задается через параметр q. Но при использовании такой модели даже с q=5 возможно существование 120 состояний, которые эквивалентны данному. Чтобы отличить эти состояния друг от друга и лучше интерпретировать количественные и качественные показатели фаз материала, ученые доверили эту задачу искусственному интеллекту.

Ученые дали нейросети информацию о расстоянии между атомами в материале, параметрах их связей и том, как состояние одного атома связано с состоянием другого. В результате авторы выяснили, что новый алгоритм способен правильно предсказывать фазу материала и определять температуру, при которой происходит переход в нее.