物理学家用机器学习解决热力学难题:微观系统的“时间之箭”

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》

发表评论