TecNoticias, tu portal de información

Una de las principales atracciones de la inteligencia artificial (IA) es que los algoritmos pueden enseñarse utilizando datos pre-clasificados y luego utilizados para clasificar un rango de datos relativamente más amplio.
Ahora, los investigadores en Tokio que trabajan en el área de la física de la materia condensada han descubierto que las redes neuronales, el mismo tipo de IA utilizada para clasificar las imágenes y la escritura a mano, podrían usarse para diferenciar entre varias fases de la materia en modelos físicos básicos.
En un artículo publicado en Nature Physics, los dos líderes de investigación del proyecto, Juan Carrasquilla y Roger G. Melko, describieron cómo su método es relevante para modelos más complicados y cómo descubrieron que un algoritmo de IA entrenado en un modelo y luego aplicado a otro podría revelan importantes similitudes entre diversas fases en diferentes sistemas.

Diferenciar entre fases de giro utilizando IA

El equipo utilizó el aprendizaje automático para observar modelos de espín, un modelo matemático utilizado en física para estudiar las transiciones de fase y explicar el magnetismo.
Su trabajo se desprende de investigaciones anteriores que revelaron que la inteligencia artificial (IA) existente utilizada para clasificar imágenes y escritura a mano podría usarse para distinguir entre estados de giro en los modelos de giro más simples: arriba y abajo.

Lograr un cambio de paradigma
Los investigadores observaron el modelo más básico de magnetismo en materiales: el modelo Ising. Este es un modelo matemático de ferromagnetismo en mecánica estadística, que consiste en variables discretas que representan momentos dipolares magnéticos de giros que pueden exhibir uno de dos estados, +1 o -1 (arriba o abajo). Una red atómica con espín tiene una energía que depende de la disposición relativa de los espines vecinos.
Dependiendo de las condiciones, estos giros pueden organizarse en una fase ferromagnética o tomar direcciones arbitrarias en una fase paramagnética. Por lo general, el análisis de este sistema requeriría el estudio de una cantidad promedio (por ejemplo, la suma de todos los giros), pero utilizando el aprendizaje automático, el equipo pudo utilizar una configuración microscópica completa para clasificar una fase. Esto, dice el equipo, es un cambio de paradigma.

Fase simulada de baja temperatura (izquierda) y alta temperatura (derecha) de un modelo 2D Ising. Aquí, los puntos azules son giros apuntando hacia arriba y los puntos rojos son giros apuntando hacia abajo. A la izquierda, vemos una fase ferromagnética y, a la derecha, la relación de arriba: abajo está más cerca de 50:50. Esto se llama fase paramagnética. Imagen acreditada a la Universidad Metropolitana de Tokio

Llevando el enfoque al siguiente nivel

Juntos, un equipo dirigido por los profesores Hiroyuki Mori y Yutaka Okabe en TMU están colaborando con el Instituto de Bioinformática de Singapur para llevar este enfoque al siguiente nivel.
En su forma actual desarrollada por Carrasquilla y Melko, el enfoque no puede aplicarse a modelos más complejos que el modelo de Ising porque otros modelos, como el modelo de Potts basado en q, pueden exhibir estados distintos de "arriba" o "abajo". Y a pesar de que el modelo de Potts tiene una transición de fase, distinguir las fases no es simple. En un modelo de cinco estados, por ejemplo, hay 120 estados que son físicamente equivalentes.
Para resolver este problema y ayudar a la IA a diferenciar entre múltiples fases capaces de exhibir una gran cantidad de estados físicamente equivalentes, el enfoque desarrollado en TMU se complementa con más información microscópica, como la forma en que el estado de un átomo en particular se relaciona con el estado de un átomo a cierta distancia, o cómo se correlacionan los giros sobre la separación.

Entrenamiento de algoritmos de IA para distinguir fases de giro
Después de entrenar a la IA con varias de estas configuraciones de correlación para los modelos Potts de tres y cinco estados, el equipo descubrió que podía clasificar correctamente las fases e identificar la temperatura donde ocurrió la transición.
Luego, para probar las aguas aún más, intentaron el mismo enfoque en un modelo de reloj de estado q. Con este modelo, los giros adoptan una de las orientaciones q en un círculo. En resumen, el equipo pudo entrenar un algoritmo de IA para distinguir tres fases en un modelo de reloj de seis y cuatro estados, descubriendo una conexión profunda entre una de las tres fases, la fase Berezinskii-Kosterlitz-Thouless (BKT) y la fase crítica que surge en la transición de fase de 'segundo orden' en el modelo de reloj de cuatro estados.

Por qué esto es importante

En teoría, el método es generalmente aplicable a una amplia gama de problemas científicos como la universalidad, la observación de que existen propiedades para una gran clase de sistemas independientes de los detalles dinámicos de los sistemas. Utilizando la universalidad, se pueden identificar rasgos en sistemas aparentemente no relacionados, dando lugar a un comportamiento unificado.
Las características del aprendizaje automático se prestan bien para identificar estas características en los modelos y sistemas más complejos, lo que permite a los científicos e ingenieros explorar conexiones profundas que sustentan la tecnología y el mundo natural en general.