“教学机器发现必不能少的”

苏黎世联邦理工学院和耶路撒冷希伯来大学的两位物理学家开发了一种新的机器学习算法，分解描述物理系统的大数据集，提取了解基础物理所需的基本新闻。

在过去的十年中，机器学习在计算机视觉、语音识别和翻译方面取得了划时代的进展。 最近，机器学习也被应用于物理问题，一般用于物理相的分类和基态的数值模拟。 瑞士苏黎世联邦理工学院理论物理研究所的研究员maciej koch-janusz和以色列耶路撒冷希伯来大学的zohar ringel目前正在探索利用机器学习而不是数值模拟器和假设的令人兴奋的可能性。 虽然是测试者，但作为物理推理过程的一部分。

理解由许多实体构成的物理系统(例如，构成磁性材料的原子)的一个重要步骤是识别系统的多个自由度中与其物理行为最相关的哪个自由度。 。 以前就流传着这是很大程度上依赖人类直觉和经验的步骤。 但是，正如自然物理学杂志报道的那样，koch-janusz和ringel展示了基于人工神经网络的机器学习算法。 他们的算法在没有先验知识的情况下获取物理系统的相关数据，提取与描述系统最相关的哪个自由度。

从技术上讲，该机器是现代理论物理概念上最重要的工具之一，即执行所谓的重整组。 koch-janusz和ringel算法提供了一种定性的新方法。 通过适当设计的机器学习系统发现的内部数据表示一般被认为是模糊的，但他们的算法生成的结果提供了基本的物理发现的内在力量，反映了潜在的物理系统的结构。 这提高了以协调的方法在科学中采用机器学习的前景，结合机器的力量，从大量数据中集中提取了人类的创造性和背景知识。