Credit:CC0 Public Domain康奈尔大学和哈佛大学研究人员组成的跨学科团队开发了一种机器学习工具，用于解析量子物质并在数据中做出关键区分，这种方法将帮助科学家解开亚原子领域中最令人困惑的现象。康奈尔大学领导的项目论文“相关器卷积神经网络作为类似图像的量子物质数据的可解释架构”，发表在6月23日的《自然通讯》上。主要作者是博士生科尔·迈尔斯。
康奈尔团队由文理学院物理学教授Eun-Ah Kim领导，他与康奈尔大学Ann S. Bowers计算和信息科学学院计算和信息科学副教授、TRIPODS数据科学促进改进决策中心主任Kilian Weinberger合作。
与哈佛团队的合作由物理学教授马库斯·格雷纳领导，是国家科学基金会“利用数据革命”10大想法倡议的一部分他们的项目“合作研究:使用机器学习工具理解亚原子尺度的量子物质数据”试图通过将数据科学家与擅长物理、化学和工程传统领域的研究人员配对来解决科学和工程前沿的基本问题。
该项目的中心目标是找到从类似图像的数据快照中提取量子系统新信息的方法。为此，他们正在开发机器学习工具，可以识别数据中微观属性之间的关系，否则无法在这种规模上确定这些关系。
卷积神经网络是一种机器学习，通常用于分析视觉图像，用过滤器扫描图像，以找到数据中的特征，而不管它们出现在哪里——这一步骤称为“卷积”。然后通过非线性函数发送卷积，使卷积神经网络学习特征之间的各种相关性。
现在，康奈尔小组通过创建一种“可解释的体系结构”，称为相关卷积神经网络(CCNN)，改进了这种方法，使研究人员能够跟踪哪些特定的相关性最重要。
“卷积神经网络是通用的，”金说。“然而，来自非线性的多功能性使得很难弄清楚神经网络如何使用特定的滤波器来做出决定，因为非线性函数很难跟踪。这就是天气预报很难的原因。这是一个非常非线性的系统。”
为了测试CCNN，哈佛团队使用量子气体显微镜来模拟费米子哈伯德模型——通常用于演示量子粒子如何在晶格中相互作用，以及由此引发的许多未解决的问题。
金说:“量子力学是概率学，但你不能从一次测量中学习概率，你必须重复多次测量。“从薛定谔的猫的角度来看，我们有一个完整的原子集合，一个活猫或死猫的集合。每次我们进行投射测量时，都会有一些死猫和一些活猫。从那以后，我们试图了解系统处于什么状态，系统试图模拟掌握理解神秘现象的关键的基本模型，比如高温超导。”
哈佛团队为两个难以区分的状态生成了合成数据:几何弦理论和π通量理论。在几何串理论中，系统接近于反铁磁阶，其中电子自旋形成一种反排列——即上、下、上、下、上、下——当电子空穴开始以不同的时间尺度运动时，这种排列被破坏。在π通量理论中，自旋形成称为单线态的对，当引入一个空穴时，它们开始翻转并翻转，产生一个混乱的状态。
CCNN能够通过识别数据与四阶的相关性来区分这两种模拟。
通过重复这个练习，CCNN基本上了解了图像中的哪些事件对神经网络做出决定至关重要——金将这个过程与登上救生艇的人所做的选择进行了比较。
“你知道当一艘大船即将沉没时，人们被告知，好吧，你只能带一件个人物品，”金说。“那会显示他们心中的想法。可能是结婚戒指，也可能是垃圾桶。世事难料。我们强迫神经网络选择一两个最有助于它进行正确评估的特征。通过这样做，我们可以找出定义状态或阶段的关键方面和核心本质。”
这种方法可以应用于其他扫描探针显微镜，产生量子材料的图像数据，以及可编程量子模拟器。根据金的说法，下一步是结合一种无监督的机器学习形式，它可以提供一个更客观的视角，一个受研究人员精心挑选要比较的样本的决定影响较小的视角。
金认为像她的学生和主要作者科尔·迈尔斯这样的研究人员代表着下一代，他们将进一步融合这些前沿和传统方法，推动新的科学发现。
“更保守的人对新鲜和闪亮的东西持怀疑态度，”金说。“但我认为，经典、新与闪亮之间的平衡和协同作用可以带来不平凡的、令人兴奋的进步。我认为我们的论文就是一个例子。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
