Thuật toán máy học được dùng để giảng dạy

0
64

Hai nhà vật lý tại ETH Zurich – Thụy Sĩ và Đại học Hebrew ở Jerusalem vừa mới khám phá khả năng mới hấp dẫn của việc khai thác máy học (machine learning) như là một phần không tách rời của lý thuyết vật lý. Họ đã phát triển một thuật toán máy học mới để phân tích các tập dữ liệu lớn mô tả hệ thống vật lý và trích xuất từ chúng các thông tin cần thiết để hiểu về vật lý cơ bản.

Machine learning: Học máy, có tài liệu gọi là Máy học, là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể.

Trong thập kỷ qua máy học đã cho phép tiến bộ đột phá ở tầm nhìn qua máy tính, nhận dạng giọng nói và dịch. Gần đây, máy học cũng được áp dụng cho các vấn đề vật lý, điển hình là để phân loại các giai đoạn vật lý và mô phỏng số của trạng thái nền. Maciej Koch-Janusz – nhà nghiên cứu thuộc Viện Vật lý Lý thuyết tại ETH Zurich – Thụy Sỹ, và Zohar Ringel thuộc Đại học Hebrew ở Jerusalem – Israel, đã khám phá ra khả năng sử dụng máy móc không phải là mô phỏng số hay giả thuyết người thử nghiệm, mà là một phần không tách rời của lý thuyết vật lý.

Một bước quan trọng để hiểu hệ thống vật lý bao gồm số lượng lớn các thực thể, ví dụ như các nguyên tử tạo nên vật liệu từ tính, là xác định trong nhiều mức độ tự do của hệ thống những tính chất có liên quan nhất đến hành vi vật lý của nó. Đây thường là bước dựa vào cảm giác và kinh nghiệm của con người. Hiện tại họ đã cho thấy thuật toán máy học dựa trên mạng nơ-ron nhân tạo có khả năng thực hiện điều đó, như các bài báo trên tạp chí Nature Physics. Thuật toán của họ lấy dữ liệu về một hệ thống vật lý mà không có bất kỳ kiến thức về nó và chiết xuất những mức độ tự do đó có liên quan nhất để mô tả hệ thống.

Nói đến kỹ thuật, máy học thực hiện một trong những bước quan trọng của những công cụ khái niệm sâu sắc nhất của lý thuyết vật lý tiên tiến, được gọi là nhóm renormalization. Các thuật toán của Koch-Janusz và Ringel cung cấp cách tiếp cận mới có chất lượng: các mô tả dữ liệu nội bộ được phát hiện bởi các hệ thống học máy được thiết kế phù hợp thường bị coi là “tối nghĩa”, nhưng kết quả thu được theo thuật toán cung cấp sự hiểu biết cơ bản về cơ thể, cấu trúc của hệ thống vật lý. Điều này làm tăng triển vọng sử dụng máy học trong khoa học một cách hợp tác, kết hợp sức mạnh của máy để thu thập thông tin từ những bộ dữ liệu khổng lồ với sự sáng tạo của con người và kiến thức nền.

N.T.T (NASATI), theo https://www.sciencedaily.com/releases/2018/03/180328115949.htm, 28/3/2018