Gyles Lewis
0 
4914
1278
Zapp en masse superkjølte atomer med magnetfelt, og du vil se "kvantefyrverkeri" - atomer som skyter av i tilsynelatende tilfeldige retninger..
Forskere oppdaget dette tilbake i 2017, og de mistenkte at det kan være et mønster i fyrverkeriet. Men de kunne ikke se det på egen hånd. Så de overførte problemet til en datamaskin som var opplært i mønstermatching, som var i stand til å oppdage det de ikke kunne: en form, malt av fyrverkeriet over tid, i eksplosjon etter atomstrålesprengning. Den formen? En funky liten skilpadde.
Resultatene, publisert som en rapport 1. februar i tidsskriftet Science, er blant de første hovedeksemplene på forskere som bruker maskinlæring for å løse kvantefysiske problemer. Folk burde forvente å se flere digitale hjelpemidler av denne typen, skrev forskerne, ettersom kvante-fysikkeksperimenter i økende grad involverer systemer som er for store og komplekse til å analysere ved hjelp av hjernekraft alene. [De 18 største uoppklarte mysteriene i fysikk]
Her er grunnen til at den datastyrte hjelpen var nødvendig:
For å lage fyrverkeriet startet forskerne med en sakstilstand kalt et Bose-Einstein-kondensat. Det er en gruppe atomer brakt til temperaturer så nær absolutt null at de klumper seg sammen og begynner å oppføre seg som ett superatom, og viser kvanteeffekter i relativt store skalaer..
Hver gang et magnetfelt traff kondensatet, ville en håndfull atomstråler skyte vekk fra det, i tilsynelatende tilfeldige retninger. Forskerne laget bilder av jetflyene, og kartla atomenes posisjoner i rommet. Men selv mange av disse bildene lagd oppå hverandre avslørte ikke noe åpenbart rim eller grunn til atomenes oppførsel.
via Gfycat
Det datamaskinen så at mennesker ikke kunne, var at hvis bildene ble rotert for å sitte oppå hverandre, dukket det opp et klart bilde. Atomene hadde i gjennomsnitt en tendens til å kaste seg bort fra fyrverkeriet i en av seks retninger i forhold til hverandre under hver eksplosjon. Resultatet var at nok bilder, rotert og lagdelt på riktig måte, avslørte fire "ben" i rette vinkler på hverandre, samt et lengre "hode" mellom to av bena matchet med en "hale" mellom de to andre . Resten av atomene var ganske jevnt fordelt over tre ringer, som utgjorde skilpaddens skall.
Dette var ikke åpenbart for menneskelige observatører fordi retningen som "skilpadden" var orientert under hver eksplosjon var tilfeldig. Og hver eksplosjon utgjorde bare noen få biter av det generelle skilpaddeformede puslespillet. Det tok datamaskinens uendelige tålmodighet for å sile gjennom rotete data for å finne ut hvordan du ordner alle bildene slik at skilpadden dukket opp.
Denne typen metoder - å slå datamaskinens mønstergjenkjenningsevner løs på et stort, rotete datasett - har vært effektiv i innsats, alt fra å tolke tankene som går gjennom menneskelige hjerner til å oppdage eksoplaneter som kretser om fjerne stjerner. Det betyr ikke at datamaskiner overgår mennesker; folk må fortsatt trene maskinene for å legge merke til mønstrene, og datamaskinene forstår ikke på noen meningsfull måte hva de ser. Men tilnærmingen er et stadig mer utbredt verktøy i det vitenskapelige verktøysettet som nå er blitt brukt på kvantefysikk.
Når datamaskinen hadde skapt dette resultatet, sjekket forskerne selvfølgelig arbeidet sitt ved å bruke noen gammeldagse mønsterjaktteknikker som allerede er vanlige i kvantefysikken. Og når de først visste hva de skulle se etter, fant forskerne skilpadden igjen, selv uten datamaskinens hjelp.
Ingen av denne forskningen forklarer ennå hvorfor fyrverkeriet over tid viser skilpaddeformen, påpekte forskerne. Og det er ikke den typen spørsmaskinlæring er godt egnet til å svare på.
"Å gjenkjenne et mønster er alltid det første trinnet i vitenskapen, så denne typen maskinlæring kunne identifisere skjulte forhold og funksjoner, spesielt når vi skifter for å prøve å forstå systemer med et stort antall partikler," leder hovedforfatter Cheng Chin, en fysiker ved University of Chicago, sa det i en uttalelse.
Det neste trinnet i å finne ut hvorfor fyrverkeriet lager en skilpadde mønster vil trolig innebære mye mindre maskinlæring og mye mer menneskelig intuisjon.
- 7 Merkelige fakta om kvarker
- 40 Freaky Frog Photos
- Topp 10 måter å ødelegge jorden på
Opprinnelig publisert på .