L’intelligenza artificiale per studiare le transizioni di fase

Se fossimo dei fisici potremmo chiederci: come può un computer distinguere la fase ordinata di un ferromagnete dalla sua fase disordinata? E anche se non siamo tutti dei fisici, ora sappiamo la risposta: allo stesso modo in cui distingue un gattino da un pinguino, cioè impara da migliaia di immagini attraverso un semplice algoritmo.

Questa è stata l’intuizione di Juan Carrasquilla e Roger Melko, ricercatori del Perimeter Institute for Theoretical Physics di Waterloo in Canada, che hanno applicato con successo le reti neurali standard dell’intelligenza artificiale alla fisica della materia. Il loro lavoro, pubblicato sulla rivista Nature Physics, lega in modo ancora più stretto la fisica teorica alle tecnologie di intelligenza artificiale.

“Abbiamo preso la stessa rete neurale che riconosce le cifre scritte a mano [sulle buste postali o sugli assegni] e abbiamo sottoposto ai nostri computer immagini delle diverse fasi [della materia]”, spiega Melko, che ha vinto nel 2016 la Medaglia Herzberg dalla Canadian Association of Physicists, come riconoscimento per i suoi meriti scientifici.

Carrasquilla e Melko hanno utilizzato TensorFlow di Google, una libreria di software opensource per il machine learning, applicandolo ai sistemi fisici. E per il programma è stato semplice, come lo era stato (apparentemente) battere il campione del mondo nel gioco del Go.

È bastato fornire al supercomputer dell’Università di Waterloo una quantità impressionante di dati e di immagini – frutto di decenni di ricerca sperimentale e di simulazioni – accumulate negli archivi del Perimeter Institute, e la macchina ha imparato a distinguere tra i diversi stati della materia e a riconoscerne anche le transizioni da una fase all’altra.

La ricerca ha riscosso incredibile successo nella comunità scientifica già prima della pubblicazione ufficiale, avvenuta il 13 febbraio. Molti altri progetti si stanno basando sull’intuizione dei due ricercatori del Perimeter: studi che spaziano dal concetto dell’entanglement quantistico all’analisi delle conformazioni delle proteine e del dna.

Il lavoro di Carrasquilla e Melko, a detta degli esperti, avrà un impatto pratico in moltissimi campi e discipline. Lo stesso Melko sta sperimentando le potenzialità dello strumento per studiare come e quando si ripiegano i polimeri. Ma la curiosità del ricercatore non si è certo placata: il prossimo passo sarà capire se questa semplice rete neurale di un paio di megabyte sarà in grado di rappresentare una funzione d’onda quantistica.

Via: Wired.it