康奈爾大學(xué)和哈佛大學(xué)研究人員組成的跨學(xué)科團(tuán)隊(duì)開發(fā)了一種機(jī)器學(xué)習(xí)工具來解析量子物質(zhì)并在數(shù)據(jù)中做出重要區(qū)分，這種方法將幫助科學(xué)家解開亞原子領(lǐng)域中最令人困惑的現(xiàn)象。

　　康奈爾大學(xué)領(lǐng)導(dǎo)的項(xiàng)目論文“Correlator Convolutional Neural Networks as an Interpretable Architecture for Image-like Quantum Matter Data”于 6 月 23 日發(fā)表在Nature Communications 上。主要作者是博士生 Cole Miles。

　　康奈爾大學(xué)團(tuán)隊(duì)由藝術(shù)與科學(xué)學(xué)院物理學(xué)教授 Eun-Ah Kim 領(lǐng)導(dǎo)，他與康奈爾大學(xué) Ann S. Bowers 計算與信息科學(xué)學(xué)院計算與信息科學(xué)副教授兼主任 Kilian Weinberger 合作TRIPODS 數(shù)據(jù)科學(xué)中心改進(jìn)決策。

　　與由物理學(xué)教授 Markus Greiner 領(lǐng)導(dǎo)的哈佛團(tuán)隊(duì)的合作是美國國家科學(xué)基金會 10 大創(chuàng)意計劃“利用數(shù)據(jù)革命”的一部分。他們的項(xiàng)目“協(xié)作研究：使用機(jī)器學(xué)習(xí)工具理解亞原子尺度量子物質(zhì)數(shù)據(jù)”旨在通過將數(shù)據(jù)科學(xué)家與專門從事傳統(tǒng)物理、化學(xué)和工程領(lǐng)域的研究人員配對來解決科學(xué)和工程前沿的基本問題。

　　該項(xiàng)目的中心目標(biāo)是找到從類似圖像的數(shù)據(jù)快照中提取有關(guān)量子系統(tǒng)的新信息的方法。為此，他們正在開發(fā)機(jī)器學(xué)習(xí)工具，可以識別數(shù)據(jù)中微觀屬性之間的關(guān)系，否則無法在該規(guī)模下確定。

　　卷積神經(jīng)網(wǎng)絡(luò)是一種通常用于分析視覺圖像的機(jī)器學(xué)習(xí)，它使用過濾器掃描圖像以查找數(shù)據(jù)中的特征，而不管它們出現(xiàn)在哪里——這一步驟稱為“卷積”。然后通過非線性函數(shù)發(fā)送卷積，使卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特征之間的各種相關(guān)性。

　　現(xiàn)在，康奈爾小組通過創(chuàng)建一種稱為相關(guān)卷積神經(jīng)網(wǎng)絡(luò) (CCNN) 的“可解釋架構(gòu)”改進(jìn)了該方法，使研究人員能夠跟蹤哪些特定的相關(guān)性最重要。

　　卷積神經(jīng)網(wǎng)絡(luò)用途廣泛，Kim 說，然而，來自非線性的多功能性使得很難弄清楚神經(jīng)網(wǎng)絡(luò)如何使用特定的過濾器來做出決定，因?yàn)榉蔷€性函數(shù)很難跟蹤。這就是為什么天氣預(yù)報很困難。這是一個非常非線性的系統(tǒng)。

　　為了測試 CCNN，哈佛團(tuán)隊(duì)使用量子氣體顯微鏡來模擬費(fèi)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，以及由此引發(fā)的許多未解決的問題。

　　量子力學(xué)是概率論，但你不能從一次測量中學(xué)習(xí)概率，你必須重復(fù)多次測量，金說，從薛定諤的貓的角度來看，我們有一個完整的原子集合，一個活的或死的貓的集合。每次我們進(jìn)行投影測量時，我們都會有一些死貓和一些活貓。我們正試圖從中了解系統(tǒng)處于什么狀態(tài)，并且系統(tǒng)正在嘗試模擬基本模型，這些模型是理解諸如高溫超導(dǎo)等神秘現(xiàn)象的關(guān)鍵。

　　哈佛團(tuán)隊(duì)為兩種難以區(qū)分的狀態(tài)生成了合成數(shù)據(jù)：幾何弦理論和 pi-flux 理論。在幾何弦理論中，該系統(tǒng)接近于反鐵磁順序，其中電子自旋形成一種反排列——即向上、向下、向上、向下、向上、向下——當(dāng)電子空穴開始移動時會被破壞在不同的時間尺度。在 pi-flux 理論中，自旋形成對，稱為單線態(tài)，當(dāng)引入一個洞時，它們開始翻轉(zhuǎn)和翻轉(zhuǎn)，導(dǎo)致混亂狀態(tài)。

　　CCNN 能夠通過識別數(shù)據(jù)與四階的相關(guān)性來區(qū)分這兩種模擬。

　　通過重復(fù)這個練習(xí)，CCNN 基本上了解了圖像中的哪些事件對于神經(jīng)網(wǎng)絡(luò)做出決定至關(guān)重要——Kim 將這個過程與人們登上救生艇所做的選擇進(jìn)行了比較。

　　你知道當(dāng)一艘大船即將沉沒時，人們會被告知，好吧，你只能帶一件私人物品，金說，這將顯示他們內(nèi)心的想法。它可能是結(jié)婚戒指，也可能是垃圾桶。你永遠(yuǎn)不知道。我們正在迫使神經(jīng)網(wǎng)絡(luò)選擇一兩個最能幫助它提出問題的特征。正確的評估。通過這樣做，我們可以找出定義狀態(tài)或階段的關(guān)鍵方面，核心本質(zhì)是什么。

　　該方法可應(yīng)用于生成量子材料圖像類型數(shù)據(jù)的其他掃描探針顯微鏡，以及可編程量子模擬器。根據(jù) Kim 的說法，下一步是結(jié)合一種無監(jiān)督機(jī)器學(xué)習(xí)形式，它可以提供更客觀的視角，這種視角受研究人員挑選要比較的樣本的決定的影響較小。

　　Kim 認(rèn)為像她的學(xué)生和主要作者 Cole Miles 這樣的研究人員代表了下一代，他們將進(jìn)一步融合這些前沿和傳統(tǒng)方法以推動新的科學(xué)發(fā)現(xiàn)。

　　更保守的人對新鮮事物持懷疑態(tài)度，金說，但我認(rèn)為經(jīng)典與新事物和閃亮之間的平衡和協(xié)同可以帶來重要而令人興奮的進(jìn)步。我認(rèn)為我們的論文就是一個例子。