Nuevos usos del aprendizaje automático no supervisado en física
Un grupo de investigadores describe un método que utiliza el aprendizaje automático no supervisado, basado en la detección de anomalías.
El aprendizaje automático – machine learning – tiene como objetivo principal analizar e interpretar estructuras y patrones de datos para aprender de ellos, razonar y llevar a cabo una tarea de toma de decisiones que es completamente independiente del razonamiento humano. Aunque este campo de estudio se inició a mediados de la década de 1900, los avances recientes en el área han revolucionado la forma en que podemos procesar y encontrar correlaciones en datos complejos.
Los profesores ICREA del ICFO Antonio Acín y Maciej Lewenstein, junto con los investigadores del ICFO Korbinian Kottmann y Patrick Huembeli, publicaron un artículo en la revista Physical Review Letters que describe un método que utiliza una técnica de aprendizaje automático no supervisada. Basada en la detección de anomalías, traza automáticamente el diagrama de fase de un sistema cuántico de muchos cuerpos, con datos sin etiquetar.
Método de detección de anomalías
En el aprendizaje automático, una de las tareas de clasificación más común y conocidas es discriminar, por ejemplo, imágenes de perros y gatos. En este estudio, los investigadores utilizaron un método llamado de detección de anomalías, que separa a los perros de todo aquello que no es un perro, enfocando una perspectiva completamente distinta. La idea es entrenar una red neuronal especial, llamada autocodificador, para comprimir y reproducir imágenes de perros de manera eficiente. Esas redes son modelos o sistemas computacionales, inspirados en el cerebro de los animales y basados en una colección de unidades conectadas o nodos llamados neuronas artificiales. Una vez entrenada la red, se alimenta con imágenes de gatos. Como las características de esas imágenes no son las mismas que las del perro, no es capaz comprimirlas de manera eficiente, y por lo tanto puede deducir – por la mayor pérdida de reconstrucción- que no son perros.
Sistemas cuánticos de muchos cuerpos
Este método se ha utilizado en el contexto de los sistemas cuánticos de muchos cuerpos. En estos sistemas cuánticos, las interacciones entre las partículas crean correlación o entrelazamiento cuántico. Como consecuencia, la función de ondas del sistema es un objeto complicado que contiene una gran cantidad de información, lo imposibilita en la práctica los cálculos exactos o analíticos. Los problemas de muchos cuerpos se abordan generalmente con una serie de aproximaciones específicas para el problema en estudio. Usando el método de detección de anomalías, las imágenes se vuelven observables, y las funciones de onda o propiedades de entrelazamiento – clases de perros y gatos – se vuelven diferentes fases cuánticas.
En el modelo de estudio – el modelo extendido de Bose-Hubbard – hay cuatro fases diferentes en el espacio de parámetros de interés. Dado que los investigadores no conocían a priori las fases de su tarea, definieron primero una región, alrededor del origen del diagrama de fases, como punto de partida para entrenar la red neuronal. Ya desde allí, pudieron mapear el sistema en una iteración de entrenamiento, donde las cuatro fases del sistema son fácilmente distinguibles.
Este método ha permitido a los investigadores detectar un fenómeno previamente desconocido en un contexto cuántico de muchos cuerpos, siendo la primera vez que una máquina puede hacerlo.
Referencia: 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
Más información: Sala de prensa de ICFO