Nous usos de l’aprenentatge automàtic no supervisat en física

Un grup d’investigadors descriu un mètode que utilitza l’aprenentatge automàtic no supervisat, basat en la detecció d’anomalies.

L’aprenentatge automàtic – o machine learning – té com a objectiu principal analitzar i interpretar estructures i patrons de dades per a aprendre d’ells, raonar i dur a terme una tasca de presa de decisions que és completament independent del raonament humà. Encara que aquest camp d’estudi es va iniciar a mitjans de la dècada de 1900, els avenços recents en l’àrea han revolucionat la forma en què podem processar i trobar correlacions en grups de dades complexos.

Els professors ICREA de l’ICFO Antonio Acín i Maciej Lewenstein, juntament amb els investigadors de l’ICFO Korbinian Kottmann i Patrick Huembeli, han publicat un article a la revista Physical Review Letters que descriu un mètode que utilitza una tècnica d’aprenentatge automàtic no supervisada. Basada en la detecció d’anomalies, traça automàticament el diagrama de fase d’un sistema quàntic de molts cossos, amb dades sense etiquetar.

El mètode de detecció d’anomalies

En l’aprenentatge automàtic, una de les tasques de classificació més comuna i conegudes és discriminar, per exemple, imatges de gossos i gats. En aquest estudi, els investigadors van utilitzar un mètode anomenat de detecció d’anomalies, que separa els gossos de tot allò que no és un gos, partint d’una perspectiva completament diferent. La idea és entrenar una xarxa neuronal especial, anomenada autocodificador, per a comprimir i reproduir imatges de gossos de manera eficient. Aquestes xarxes són models o sistemes computacionals, inspirats en el cervell dels animals i basats en una col·lecció d’unitats connectades (nodes) anomenats neurones artificials. Un cop entrenada la xarxa, s’alimenta amb imatges de gats. Com que les característiques d’aquestes imatges no són les mateixes que les dels gossos, la xarxa no és capaç de comprimir-les de manera eficient, i per tant pot deduir – per la major pèrdua de reconstrucció- que no són gossos.

Sistemes quàntics de molts cossos

A l’estudi es va utilitzar aquest mètode en el context dels sistemes quàntics de molts cossos. En aquests sistemes, les interaccions entre les partícules creen correlació o entrellaçament quàntic. Com a conseqüència, la funció d’ona del sistema és un objecte complicat que conté una gran quantitat d’informació, la qual impossibilita a la pràctica els càlculs exactes o analítics. Els problemes dels sistemes de molts cossos s’aborden generalment amb una sèrie d’aproximacions específiques per al problema en estudi. Fent servir el mètode de detecció d’anomalies, les imatges es tornen observables, i les funcions d’ona o propietats d’entrellaçament – classes de gossos i gats – es tornen diferents fases quàntiques.

El model utilitzat per l’estudi – el model estès de Bose-Hubbard – constava de quatre fases diferents en l’espai dels paràmetres d’interès. Atès que els investigadors no coneixien a priori les fases de la seva tasca, van haver de definir primer una regió, al voltant de l’origen del diagrama de fases, com a punt de partida per entrenar la xarxa. Ja des d’allà, van poder mapejar el sistema en una iteració d’entrenament, on les quatre fases de sistema eren fàcilment distingibles.

Aquest mètode ha permès als investigadors detectar un fenomen prèviament desconegut en un context quàntic de molts cossos, sent la primera vegada que una màquina pot fer-ho.

Referència: Korbinian Kottmann, Patrick Huembeli, Maciej Lewenstein, and Antonio Acín. Phys. Rev. Lett. 125, 170603. DOI: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.125.170603

Més informació: Sala de premsa d’ICFO