作者:英格丽德·法德利
（同organic）有机 轨迹(电影)由矩阵X表示
这个矩阵是神经网络的输入，神经网络检测时间箭头的方向
信用:Seif，Hafezi & ampJarzynski
热力学第二定律描绘了物理系统如何随时间演变的不对称性，被称为时间之箭
在宏观系统中，这种不对称有一个明确的方向(例如
g
人们很容易注意到显示系统随时间演变的视频是正常播放还是反向播放)
然而，在微观世界中，这个方向并不总是明显的
事实上，微观系统的波动会导致明显违反热力学第二定律，导致时间箭头变得模糊和不明确
因此，当观看微观过程的视频时，很难(如果不是不可能的话)确定它是正常播放还是反向播放
马里兰大学的研究人员开发了一种机器学习算法，可以在宏观和微观过程中推断热力学时间箭头的方向
这一算法发表在《自然物理学》杂志的一篇论文中，最终可能有助于揭示与热力学相关的新物理原理
“当我上了一门教授讲授的非平衡统计力学课程时，我了解了小尺度的热力学
进行这项研究的研究人员之一阿里雷扎·赛义夫告诉《物理》杂志
（同organic）有机
“与此同时，我正在探索机器学习在物理学中的应用，这在最近几年引起了很大的兴趣
机器学习应用的一个例子是对图像进行分类，同样的工具也被用来对物理学中的物质阶段进行分类
" 当他继续他的研究时，赛义夫意识到试图确定时间之箭的方向的探索也可以被视为一个分类问题
因此，他开始探索开发一种能够确定这个方向的机器学习算法的可能性，并与他的同事穆罕默德·哈菲兹和克里斯托弗·贾辛斯基讨论了这个想法
三名研究人员决定合作
在初步实验成功后，他们开始研究各种案例，在这些案例中，他们的神经网络可以提供新的有价值的见解
赛义夫解释说:“我们使用了监督学习，并训练了一个神经网络，根据一组物理过程的模拟电影来检测时间箭头的方向，这些模拟电影带有相应的标签，表示向后/向前。”
“我们的神经网络输出0到1之间的数字，这取决于输入(电影)和网络参数(权重和偏差)
然后我们寻找那些最小化神经网络输出和真实标签(时间箭头方向)之间差异的参数值
" 当他们用他们的神经网络来分析物理过程的视频时，他们发现它可以非常精确地成功预测时间箭头的方向
此外，该算法的分析表明，当试图确定该方向时，耗散功是合适的使用量
在他们的研究中，研究人员还使用了一种被称为“接收主义”的技术，这是由谷歌的一个软件工程师团队引入的
这项技术使他们能够研究他们的神经网络内部发生的事情，识别最具代表性的向前和向后轨迹
例如，为了揭示一个有代表性的前进轨迹，研究小组随机输入了一个未知方向(即
e
向前或向后)并以网络输出将其分类为向前的方式改变它
然后他们展示了他们发现的代表性轨迹实际上与理论预测相符
“在非平衡统计物理学的背景下，时间之箭的物理学在最近几十年被量化了，”赛夫说
“有趣的是，在这些定理出现之前几十年就已经存在的一个众所周知的算法(逻辑回归)得出了同样的结果
可以想象，通过这样的数值实验，人们可以在从物理原理中发现解之前，提出解的理论公式
" 赛夫和他的同事发现，他们的机器学习算法既解决了一个基本的物理问题，又确定了有效解决这个问题的最重要的物理参数
该团队还表明，可以推断时间箭头的方向，而不需要指定发生了什么确切的物理过程，这对于手动或分析来说是非常困难的
在未来，该团队计划继续探索使用机器学习算法进行物理研究和做出新的科学发现的潜力
赛义夫说:“非平衡系统的物理学是我们特别感兴趣的领域，因为它有未解决的问题，可以通过用机器学习算法研究系统的动力学来回答。”
“为了构建回答这些问题的工具箱，我们必须从我们知道如何作为测试平台解决的具体例子开始
目前，我们正在研究量子和经典领域的统计物理问题，并试图了解机器学习工具可以从实验观察中学习到什么
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
