機器學習除了能用來識別人臉、預測銷售之外，還能用於研究物理。近期，馬里蘭大學的研究團隊開發一種機器學習演算法，可研究宏觀與微觀過程中的熱力學時間之箭方向。研究團隊將論文發表在《Nature Physics》期刊上。
研究論文傳送門
在微觀系統中，時間之箭的方向不明顯
熱力學第二定律提到系統隨時間演化的不對稱性，稱為「時間之箭」。在宏觀系統中，這種不對稱性有一個明確的方向，但在微觀系統中，這個方向是不明顯的，而且很容易受到波動干擾。以影片比喻，在宏觀系統中，觀眾可以明確知道它是正常播放還是倒轉，但在微觀系統中，觀眾很難判斷影片的播放方向。
論文第一作者 Alireza Seif 表示，機器學習可用於圖像辨識與分類，而時間之箭的方向也可被定義為一種分類問題，因此與同事 Mohammad Hafezi 和 Christopher Jarzynsk 一起研究用機器學習辨識時間之箭方向的可能性。
神經網路能預測時間之箭的方向，而且準確度極高
研究團隊訓練了一個神經網路，根據一組物理過程的模擬電影，來檢測時間之箭的方向，而這些電影有相應的標籤表示前進與倒退。Seif 解說道，「我們的神經網路根據輸入（電影）與網路的參數（權重與偏差），輸出一個介於 0 與 1 的數字，然後我們尋找能讓輸出值與真實標籤（時間箭頭方向）之間的差異最小化的參數值。」
研究團隊發現，神經網路能預測時間之箭的方向，而且準確度極高。
此外，研究團隊也使用了 inceptionism 技術，調查神經網路內部所發生的事情，找出最具代表性的前進與倒退軌跡。
研究團隊發現，該機器學習演算法不但解決了一個物理問題，也確定了解決這個問題的重要物理參數。Seif 表示，非平衡物理系統是團隊特別感興趣的領域，因為有一些尚未解決的問題，可以透過機器學習演算法解答。因此研究團隊正在研究統計物理學中的問題，並測試機器學習工具用於解決物理問題的潛力，期望能有新的科學發現。
參考資料
（本文提供合作夥伴轉載。首圖來源：Pxfuel CC Licensed。）
延伸閱讀
在太陽能板塗上「鈣鈦礦」，發電效率有望提升到 40%！
訊號太弱收不到怎麼辦？藉由「隨機共振」，科學家增強感測器的性能
【5G 時代的關鍵零件】新型天線有 600 MHz~6 GHz 多種頻段可選，不用花時間調頻！
