15.01.2020 - Okinawa Institute of Science and Technology Graduate University

El hombre contra la máquina: ¿Puede Al hacer ciencia?

En las últimas décadas, el aprendizaje automático ha revolucionado muchos sectores de la sociedad, con máquinas que aprenden a conducir coches, identificar tumores y jugar al ajedrez - a menudo superando a sus homólogos humanos.

Ahora, un equipo de científicos de la Universidad de Graduados del Instituto de Ciencia y Tecnología de Okinawa (OIST), la Universidad de Munich y el CNRS de la Universidad de Burdeos han demostrado que las máquinas también pueden vencer a los físicos teóricos en su propio juego, resolviendo problemas complejos con la misma precisión que los científicos, pero considerablemente más rápido.

En el estudio, publicado recientemente en Physical Review B, una máquina aprendió a identificar las fases magnéticas inusuales en un modelo de pirocloro - un mineral natural con una estructura tetraédrica en forma de red. Sorprendentemente, cuando se utilizó la máquina, la solución del problema sólo llevó unas pocas semanas, mientras que antes los científicos de la OIST necesitaban seis años.

"Esto se siente como un paso realmente significativo", dijo el profesor Nic Shannon, quien dirige la Unidad de Teoría de la Materia Cuántica (TQM) en la OIST. "Los ordenadores son ahora capaces de llevar a cabo la ciencia de una manera muy significativa y abordar los problemas que han frustrado a los científicos durante mucho tiempo."

La fuente de la frustración

En todos los imanes, cada átomo está asociado con un pequeño momento magnético - también conocido como "spin". En los imanes convencionales, como los que se pegan a las neveras, todos los giros están ordenados de forma que apuntan en la misma dirección, lo que produce un fuerte campo magnético. Este orden es como la forma en que los átomos se ordenan en un material sólido.

Pero así como la materia puede existir en diferentes fases -sólida, líquida y gaseosa- también las sustancias magnéticas. La unidad TQM está interesada en fases magnéticas más inusuales llamadas "líquidos de espín", que podrían tener usos en la computación cuántica. En los líquidos de los giros, hay interacciones competitivas o "frustradas" entre los giros, así que en lugar de ordenar, los giros fluctúan continuamente en dirección - similar al desorden visto en las fases líquidas de la materia.

Anteriormente, la unidad TQM se propuso establecer qué diferentes tipos de líquido de rotación podrían existir en los frustrados imanes de pirocloro. Construyeron un diagrama de fases, que mostraba cómo podían ocurrir diferentes fases cuando los giros interactuaban de diferentes maneras al cambiar la temperatura, y sus resultados se publicaron en Physical Review X en 2017.

Pero armar el diagrama de fases e identificar las reglas que gobiernan las interacciones entre los giros en cada fase fue un proceso arduo.

"Estos imanes son literalmente frustrantes", bromeó la profesora Shannon. "Incluso el modelo más simple en un entramado de pirocloro le tomó años a nuestro equipo resolverlo".

Introduzca las máquinas

Con los crecientes avances en el aprendizaje de las máquinas, la unidad TQM tenía curiosidad por saber si las máquinas podían resolver un problema tan complejo.

"Para ser honesto, estaba bastante seguro de que la máquina fallaría", dijo la profesora Shannon. "Esta es la primera vez que me sorprende un resultado, me he sorprendido, he sido feliz, pero nunca me he sorprendido".

Los científicos del OIST se asociaron con expertos en aprendizaje de máquinas de la Universidad de Munich, dirigidos por el profesor Lode Pollet, que había desarrollado un "núcleo tensorial", una forma de representar las configuraciones de espín en un ordenador. Los científicos utilizaron el núcleo tensorial para equipar una "máquina de vectores de apoyo", que es capaz de categorizar datos complejos en diferentes grupos.

"La ventaja de este tipo de máquina es que, a diferencia de otras máquinas de vector de apoyo, no requiere ninguna formación previa y no es una caja negra - los resultados pueden ser interpretados. Los datos no sólo se clasifican en grupos; también se puede interrogar a la máquina para ver cómo tomó su decisión final y aprender sobre las propiedades distintivas de cada grupo", dijo el Dr. Ludovic Jaubert, un investigador del CNRS de la Universidad de Burdeos.

Los científicos de Munich alimentaron a la máquina con un cuarto de millón de configuraciones de giro generadas por las simulaciones de la supercomputadora OIST del modelo de pirocloro. Sin ninguna información sobre las fases presentes, la máquina logró reproducir con éxito una versión idéntica del diagrama de fases.

Es importante que cuando los científicos descifraron la "función de decisión" que la máquina había construido para clasificar los diferentes tipos de líquido de espín, descubrieron que el ordenador también había calculado independientemente las ecuaciones matemáticas exactas que ejemplificaban cada fase, y que todo el proceso era cuestión de semanas.

"La mayor parte de este tiempo fue tiempo humano, por lo que todavía es posible acelerar más el proceso", dijo el profesor Pollet. "Basándonos en lo que sabemos ahora, la máquina podría resolver el problema en un día."

"Estamos encantados con el éxito de la máquina, que podría tener enormes implicaciones para la física teórica", añadió el profesor Shannon. "El siguiente paso será darle a la máquina un problema aún más difícil, que los humanos aún no han logrado resolver, y ver si la máquina puede hacerlo mejor".

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Okinawa Institute of Science and Technology Graduate University

Recommiende artículo PDF / Imprimir artículo

Compartir

Hechos, antecedentes, expedientes
  • inteligencia artificial
  • imanes
Más sobre LMU
  • Noticias

    Investigación de baterías: ¡Encontrar la mezcla correcta!

    En la batería del futuro, los sólidos sustituirán a las soluciones electrolíticas actualmente utilizadas. Un equipo de científicos de LMU ha desarrollado una serie de nuevos conductores de iones de sodio. El secreto del mejor material de la serie reside en la mezcla exacta de los ingredient ... más

    Poner una nanomáquina a trabajar

    Un equipo de químicos de LMU ha acoplado con éxito el movimiento dirigido de un motor molecular activado por la luz a una unidad química diferente, dando así un importante paso hacia la realización de nanomáquinas sintéticas. Los motores moleculares son compuestos químicos que convierten la ... más

    Quintuplica el rendimiento de formaldehído

    Se necesitan urgentemente métodos respetuosos con el medio ambiente para la producción industrial de productos químicos. Los investigadores de la LMU describieron recientemente este procedimiento para la síntesis de formaldehído, y ahora lo han mejorado con la ayuda del aprendizaje automáti ... más

Más sobre Université Bordeaux
  • Noticias

    Micromotor inalámbrico de fibra trenzada

    Investigadores del Helmholtz-Zentrum Geesthacht (HZG) y de la Universidad de Burdeos han presentado en la revista `Science' un sistema de almacenamiento de energía de motor de gran eficiencia y tamaño micro. El'micromotor' está hecho de microfibras poliméricas, que son rígidas a temperatura ... más