一种机器学习算法可以推断热力学时间箭头的方向

热力学第二定律描述了物理系统如何随时间演化的不对称性，称为时间箭头。在宏观系统中，这种不对称具有明确的方向(例如，可以很容易地注意到显示系统随时间变化的视频是正常播放还是向后播放)。

但是，在微观世界中，这个方向并不总是很明显。实际上，微观系统中的波动会导致明显违反热力学第二定律，从而导致时间箭头变得模糊不清。结果，当观看微观过程的视频时，即使不是不可能，也可能难以确定是正常播放还是向后播放。

马里兰大学的研究人员开发了一种机器学习算法，可以在宏观和微观过程中推断热力学时间箭头的方向。在《自然物理学》上发表的一篇论文中提出的这种算法最终可以帮助发现与热力学有关的新物理原理。

“我参加了由Jarzysnki教授教授的非平衡统计力学课程时，就从小规模学习了热力学，”进行这项研究的研究人员之一Alireza Seif告诉Phys.org。“与此同时，我正在探索机器学习在物理学中的应用，近年来引起了人们的极大兴趣。机器学习应用的一个例子是对图像进行分类，并且使用相同的工具对物理学中的物质阶段进行分类。 。”

在进行研究时，Seif意识到尝试确定时间箭头的方向的尝试也可以归类为分类问题。因此，他开始探索开发可以确定这个方向的机器学习算法的可能性，并与他的同事Mohammad Hafezi和Christopher Jarzynski讨论了这个想法。三位研究人员决定合作。在初步实验成功之后，他们开始研究神经网络可以提供新的有价值的见解的各种情况。

赛夫解释说：“我们使用监督学习并训练了神经网络，以基于一组物理过程的模拟电影来检测时间箭头的方向，并带有指示前进/后退的相应标签。” “我们的神经网络输出的数字介于0到1之间，取决于输入(电影)和网络的参数(权重和偏差)。然后，我们寻找那些参数值，该参数值可最大程度地减少神经网络与真正的标签(时间箭头的方向)。”

当他们使用神经网络分析物理过程的视频时，他们发现它可以成功地以极好的准确性预测时间箭头的方向。另外，算法的分析表明，在确定该方向时，耗散功是要使用的适当量。

在他们的研究中，研究人员还使用了由Google的一组软件工程师引入的称为Inceptionism的技术。这项技术使他们能够研究神经网络内部发生的事情，从而确定最具代表性的前进和后退轨迹。

例如，为了发现代表性的前进轨迹，团队采用了未知方向(即前进或后退)的随机输入，并以网络输出将其分类为前进的方式对其进行了更改。然后他们表明，他们发现的代表性轨迹实际上与理论预测相符。

赛夫说：“近几十年来，在非平衡统计物理学的背景下，时间箭头的物理学得到了量化。” “有趣的是，在这些定理出现几十年之前就存在一种众所周知的算法(逻辑回归)，得出相同的结果。可以想象的是，通过这种数值实验，人们可以在发现该解决方案之前就对其进行理论上的阐述。从物理原理出发。”