机器学习除了能用来识别人脸、预测销售之外，还能用于研究物理。近期，马里兰大学的研究团队开发一种机器学习算法，可研究宏观与微观过程中的热力学时间之箭方向。研究团队将论文发布在《Nature Physics》期刊上。
在微观系统中，时间之箭的方向不明显
热力学第二定律提到系统随时间演化的不对称性，称为“时间之箭”。在宏观系统中，这种不对称性有一个明确的方向，但在微观系统中，这个方向是不明显的，而且很容易受到波动干扰。以视频比喻，在宏观系统中，观众可以明确知道它是正常播放还是倒转，但在微观系统中，观众很难判断视频的播放方向。
论文第一作者Alireza Seif表示，机器学习可用于图像识别与分类，而时间之箭的方向也可被定义为一种分类问题，因此与同事Mohammad Hafezi和Christopher Jarzynsk一起研究用机器学习识别时间之箭方向的可能性。
神经网络能预测时间之箭的方向，而且准确度极高
研究团队训练了一个神经网络，根据一组物理过程的模拟电影，来检测时间之箭的方向，而这些电影有相应的标签表示前进与倒退。Seif解说道，“我们的神经网络根据输入（电影）与网络的参数（权重与偏差），输出一个介于0与1的数字，然后我们寻找能让输出值与真实标签（时间箭头方向）之间的差异最小化的参数值。”
研究团队发现，神经网络能预测时间之箭的方向，而且准确度极高。
此外，研究团队也使用了inceptionism技术，调查神经网络内部所发生的事情，找出最具代表性的前进与倒退轨迹。
研究团队发现，该机器学习算法不但解决了一个物理问题，也确定了解决这个问题的重要物理参数。Seif表示，非平衡物理系统是团队特别感兴趣的领域，因为有一些尚未解决的问题，可以通过机器学习算法解答。因此研究团队正在研究统计物理学中的问题，并测试机器学习工具用于解决物理问题的潜力，期望能有新的科学发现。
参考资料
《Nature Physics》、《PhysOrg》