На самой грани познания, где ученые бьются над самыми сложными загадками, ценных данных часто очень мало. А машинное обучение, как известно, любит большие и качественные данные для тренировки. Как же тогда ученым заставить искусственный интеллект работать на благо науки?

Группа ученых, опубликовавшая статью в издании Physical Review Research, предлагает свой ответ. Они придумали, как объединить усилия с ИИ, чтобы решать невероятно сложные задачи в физике конденсированного состояния — те, что не поддавались ни чисто компьютерному моделированию, ни алгоритмам машинного обучения.

Речь идет о фрустрированных магнитах (магнетиках с конкурирующими взаимодействиями). В них частицы ведут себя не как обычно, а словно ссорятся друг с другом, не в силах договориться, куда направить свои магнитные моменты (спины). Это создает экзотические свойства, изучение которых проливает свет на принципы квантовых вычислений и даже на загадки квантовой гравитации. Но смоделировать такое поведение на компьютере невероятно трудно.

Международная команда из Японии, Франции и Германии исследовала, что происходит с одним из таких материалов при охлаждении почти до абсолютного нуля. Их особенно интересовала особая фаза — «спиновая жидкость».

Примерно как вода, которая замерзает и превращается в лед, эта спиновая жидкость при охлаждении тоже «замерзает», переходя в другое магнитное состояние. Но вот какое именно? Ученые видели результаты симуляций, но не могли их расшифровать.

Недавно физики заговорили об особом типе квантовой спиновой жидкости, которая может помочь в создании устойчивых к ошибкам квантовых компьютеров, — объясняет профессор Ник Шэннон, руководитель подразделения теории квантовой материи в Окинавском институте науки и технологий. — В 2020 году мы поняли, что такая жидкость может существовать в классе материалов под названием «breathing pyrochlores». Но мы никак не могли выяснить, во что она превращается при низких температурах.

Тогда ученые из Окинавы объединились с коллегами-экспертами по машинному обучению из Мюнхенского университета. У тех был алгоритм, который умел классифицировать стандартные магнитные порядки.

Наш метод очень интерпретируемый, — говорит профессор Лоде Полле из Мюнхена. — Это значит, что человек может легко понять, как алгоритм принимает решения. Ему не нужна предварительная тренировка на огромных данных, что идеально для задач, где данных мало. До сотрудничества с OIST мы никогда не применяли его к спиновой жидкости. Было очень интересно посмотреть, сможет ли он пролить свет на столь сложную проблему, перед которой пасовали все другие подходы.

Чтобы смоделировать охлаждение спиновой жидкости, команда использовала вычислительный метод Монте-Карло. Они пропустили данные симуляции через алгоритм машинного обучения и стали анализировать результат. В выводе алгоритма проступили шаблоны, скрытые закономерности. Эти подсказки позволили ученым пойти от противного: они запустили симуляции Монте-Карло в обратную сторону. Взяв за основу низкотемпературную фазу с теми самыми шаблонами, которые нашел ИИ, они начали ее «нагревать». Эти новые симуляции окончательно подтвердили свойства ранее неизвестной фазы.

Самое интересное, что ни человек, ни машина в одиночку не справились бы с этой задачей, — добавляет доктор Людовик Жобер из Университета Бордо. — Это была именно что коллаборация коллег. Алгоритм видел то, что было скрыто от нас, а мы — то, что было скрыто от него. Вместе мы сложили полную картину. Это очень обнадеживает, ведь в физике конденсированного состояния еще столько сложных проблем, которые можно решить таким симбиозом человека и ИИ.

Реальная польза этого исследования лежит не в сиюминутном практическом применении, а в методологическом прорыве. Оно создает прецедент эффективного симбиоза человеческой интуиции и машинной вычислительной мощи в условиях острейшего дефицита данных. Это ключ к решению целого класса проблем, которые до сих пор считались «непросчитываемыми»:

• Ускорение материаловедения: Понимание экзотических магнитных фаз открывает путь к проектированию материалов с принципиально новыми свойствами — например, для квантовой памяти или сверхпроводников, работающих при более высоких температурах.
• Фундамент для квантовых технологий: Глубокая проработка моделей спиновых жидкостей — это прямой вклад в создание топологических квантовых компьютеров, устойчивых к декогеренции и ошибкам.
• Новый научный метод: Сама методика «диалога» с ИИ, где ученый задает направление, а алгоритм находит скрытые паттерны и предлагает гипотезы, может быть тиражирована в других областях: биофизике, фармакологии, климатологии — везде, где сложные системы и мало данных.

Основное замечание касается специфичности и нишевого характера метода. Алгоритм, разработанный в LMU Munich, показал прекрасные результаты в задаче классификации магнитных порядков, но его успех был достигнут в строго контролируемых условиях компьютерного моделирования (Monte Carlo), где все параметры известны и заданы исследователем. Перенос этого метода на реальные экспериментальные данные может столкнуться с непреодолимыми сложностями: шумы, примеси в материалах, неидеальность кристаллической решетки — все это может «сбить с толку» интерпретируемый алгоритм, который так четко работал на чистых данных. Таким образом, прежде чем говорить о революции, необходимо доказать, что метод способен работать не только в „стерильной“ цифровой среде, но и в условиях хаоса реального физического эксперимента.

Ранее ученые открыли новый способ управления магнетизмом на наноуровне.