教学机器发现必不可少的

苏黎世联邦理工学院和耶路撒冷希伯来大学的两位物理学家开发了一种新颖的机器学习算法，该算法分析描述物理系统的大型数据集，并从中提取理解基础物理所需的基本信息。

在过去十年中，机器学习已经在计算机视觉，语音识别和翻译方面取得了突破性进展。最近，机器学习也被应用于物理问题，通常用于物理相的分类和基态的数值模拟。瑞士苏黎世联邦理工学院理论物理研究所的研究员Maciej Koch-Janusz和以色列耶路撒冷希伯来大学的Zohar Ringel现在探索了利用机器学习而不是数值模拟器或“假设”的激动人心的可能性。测试员'，但作为物理推理过程的一个组成部分。

理解由大量实体组成的物理系统(例如，构成磁性材料的原子)的一个重要步骤是在系统的许多自由度中识别与其物理行为最相关的那些自由度。 。传统上这是一个严重依赖人类直觉和经验的步骤。但现在，Koch-Janusz和Ringel展示了一种基于人工神经网络的机器学习算法，正如他们在“ 自然物理学 ”杂志上报道的那样。他们的算法在没有任何先验知识的情况下获取有关物理系统的数据，并提取与描述系统最相关的那些自由度。

从技术上讲，该机器执行现代理论物理概念上最重要的工具之一的关键步骤之一，即所谓的重整化组。Koch-Janusz和Ringel的算法提供了一种定性的新方法：由适当设计的机器学习系统发现的内部数据表示通常被认为是“模糊的”，但是他们的算法产生的结果提供了基本的物理洞察力，反映了潜在的物理系统的结构。这提高了以协作的方式在科学中使用机器学习的前景，结合了机器的力量，从大量数据集中提取人类创造力和背景知识。