人与机器:人工智能能做科学吗?

导语：在过去的几十年里，机器学习已经彻底改变了社会的许多部门，机器学习驾驶汽车，识别肿瘤和下棋-往往超过了他们的人类同行。 现在，一个总部设在冲绳科学技术研究所研究生大学（OIST）、慕尼黑大学和波尔多大学CNRS的科学家团队已经证明，机器也可以在自己

在过去的几十年里，机器学习已经彻底改变了社会的许多部门，机器学习驾驶汽车，识别肿瘤和下棋-往往超过了他们的人类同行。

现在，一个总部设在冲绳科学技术研究所研究生大学（OIST）、慕尼黑大学和波尔多大学CNRS的科学家团队已经证明，机器也可以在自己的游戏中击败理论物理学家，解决复杂问题的速度和科学家一样准确，但速度要快得多。

在这项研究中，最近发表在“物理评论B”上，一台机器学会了在焦绿石模型中识别不寻常的磁相-一种具有四面体晶格结构的天然矿物。值得注意的是，当使用这台机器时，解决这个问题只需要几个星期，而以前的OIST科学家需要六年的时间。

“这感觉是一个非常重要的步骤，”Nic Shannon教授说。“现在，计算机能够以一种非常有意义的方式进行科学研究，并解决长期困扰科学家的问题。”

挫折之源

在所有的磁铁中，每个原子都与一个微小的磁矩联系在一起，也被称为“自旋”。在传统的磁铁中，就像那些粘在冰箱上的磁铁一样，所有的旋转都是有序的，使它们指向相同的方向，从而产生一个强磁场。这种顺序就像原子在固体物质中排序的方式。

但正如物质可以存在于不同的阶段-固体、液体和气体-磁性物质也是如此。TQM单元对称为“自旋液体”的更不寻常的磁相感兴趣，这可以用于量子计算。在自旋液体中，自旋之间存在竞争或“受挫”的相互作用，因此自旋不是有序的，而是不断地向着方向波动-类似于物质的液相中所看到的无序。

以前，TQM单元开始确定哪些不同类型的自旋液体可能存在于受挫的焦绿石磁铁中。他们构建了一个相图，它显示了随着温度的变化，当自旋以不同的方式相互作用时，如何发生不同的相位，他们的发现发表在2017年的物理评论X上。

但是，将相图拼凑在一起，并确定每个阶段中自旋之间相互作用的规则是一个艰巨的过程。

香农教授开玩笑说：“这些磁铁确实令人沮丧。“即使是最简单的焦绿石晶格模型也需要我们团队多年的时间才能解决。”

进入机器

随着机器学习的不断进步，TQM单元对机器是否能解决如此复杂的问题感到好奇。

香农教授说：“老实说，我相当肯定这台机器会出现故障。“这是我第一次对一个结果感到震惊——我很惊讶，我很高兴，但从来没有感到震惊。”

OIST的科学家们与慕尼黑大学的机器学习专家合作，由Lode Pollet教授领导，他开发了一种“张量核”——一种在计算机中表示自旋构型的方法。科学家们使用张量核来装备一个“支持向量机”，它能够将复杂的数据分为不同的组。

这种类型的机器的优点是，与其他支持向量机不同，它不需要任何事先训练，也不是黑匣子-结果可以解释。这些数据不仅被分类成组；你还可以询问机器是如何做出最终决定的，并了解每个组的不同性质，”波尔多大学CNRS研究员卢多维奇·贾伯特博士说。

慕尼黑的科学家们给这台机器提供了25万个旋转构型，这些构型是由OIST超级计算机模拟的焦绿石模型产生的。在没有任何关于哪些阶段的信息的情况下，机器成功地复制了一个相同版本的相图。

重要的是，当科学家们破译机器为对不同类型的自旋液体进行分类而构建的“决定功能”时，他们发现计算机还独立地计算出了每个阶段的精确数学方程式，整个过程需要几个星期的时间。

波尔莱特教授说：“大部分时间都是人类的时间，因此进一步加快速度仍然是可能的。“根据我们现在所知，这台机器可以在一天内解决问题。”

Shannon教授补充说：“我们对这台机器的成功感到兴奋，这可能对理论物理产生巨大的影响。“下一步将是给机器一个更困难的问题，人类还没有设法解决这个问题，看看机器是否能做得更好。”