Mensch gegen Maschine: Kann KI Wissenschaft betreiben?

15.01.2020 - Japan

In den letzten Jahrzehnten hat das maschinelle Lernen viele Bereiche der Gesellschaft revolutioniert: Maschinen lernen, Autos zu fahren, Tumore zu erkennen und Schach zu spielen - und übertreffen dabei oft ihre menschlichen Gegenstücke.

Nun hat ein Team von Wissenschaftlern des Okinawa Institute of Science and Technology Graduate University (OIST), der Universität München und des CNRS der Universität Bordeaux gezeigt, dass Maschinen auch theoretische Physiker in ihrem eigenen Spiel schlagen können und komplexe Probleme genauso genau wie Wissenschaftler, aber wesentlich schneller lösen.

In der Studie, die kürzlich in Physical Review B veröffentlicht wurde, lernte eine Maschine, ungewöhnliche magnetische Phasen in einem Modell von Pyrochlor - einem natürlich vorkommenden Mineral mit tetraedrischer Gitterstruktur - zu identifizieren. Bemerkenswerterweise dauerte die Lösung des Problems beim Einsatz der Maschine nur wenige Wochen, während die OIST-Wissenschaftler zuvor sechs Jahre brauchten.

"Das fühlt sich wie ein wirklich bedeutender Schritt an", sagt Professor Nic Shannon, der am OIST die Abteilung Theorie der Quantenmaterie (TQM) leitet. "Computer sind jetzt in der Lage, Wissenschaft auf eine sehr sinnvolle Art und Weise durchzuführen und Probleme anzugehen, die die Wissenschaftler lange Zeit frustriert haben".

Die Quelle der Frustration

Bei allen Magneten ist jedem Atom ein winziges magnetisches Moment - auch "Spin" genannt - zugeordnet. Bei herkömmlichen Magneten, wie sie z.B. an Kühlschränken haften, sind alle Spins so angeordnet, dass sie in die gleiche Richtung zeigen, wodurch ein starkes Magnetfeld entsteht. Diese Ordnung ist wie die Anordnung der Atome in einem festen Material.

Aber so wie Materie in verschiedenen Phasen - fest, flüssig und gasförmig - existieren kann, so können auch magnetische Substanzen existieren. Die TQM-Einheit interessiert sich für ungewöhnlichere magnetische Phasen, so genannte "Spin Liquids", die für die Quantenberechnung von Nutzen sein könnten. In Spin-Flüssigkeiten gibt es konkurrierende oder "frustrierte" Wechselwirkungen zwischen den Spins, so dass die Spins statt zu ordnen, kontinuierlich in ihrer Richtung schwanken - ähnlich der Unordnung, die man in flüssigen Phasen der Materie sieht.

Zuvor hatte die TQM-Einheit untersucht, welche verschiedenen Arten von Spinflüssigkeit in frustrierten Pyrochlor-Magneten existieren könnten. Sie konstruierten ein Phasendiagramm, das zeigte, wie verschiedene Phasen auftreten können, wenn die Spins bei Temperaturänderungen unterschiedlich interagieren. Ihre Ergebnisse wurden 2017 im Physical Review X veröffentlicht.

Aber das Phasendiagramm zusammenzusetzen und die Regeln für die Interaktionen zwischen den Spins in jeder Phase zu identifizieren, war ein mühsamer Prozess.

"Diese Magnete sind im wahrsten Sinne des Wortes frustrierend", scherzte Prof. Shannon. "Selbst das einfachste Modell auf einem Pyrochlor-Gitter brauchte unser Team Jahre, um es zu lösen."

Erfolg der Maschine

Mit zunehmenden Fortschritten im Bereich des maschinellen Lernens war die TQM-Einheit neugierig, ob Maschinen ein so komplexes Problem lösen können.

"Um ehrlich zu sein, war ich ziemlich sicher, dass die Maschine versagen würde", sagte Prof. Shannon. "Das ist das erste Mal, dass ich von einem Ergebnis schockiert bin - ich war überrascht, ich war glücklich, aber nie schockiert."

Die OIST-Wissenschaftler haben sich mit Experten für maschinelles Lernen der Universität München unter der Leitung von Professor Lode Pollet zusammengetan, die einen "tensorialen Kern" entwickelt haben - eine Möglichkeit, Spin-Konfigurationen im Computer darzustellen. Mit dem tensoriellen Kernel rüsteten die Wissenschaftler eine "Support-Vektor-Maschine" aus, die in der Lage ist, komplexe Daten in verschiedene Gruppen zu kategorisieren.

"Der Vorteil dieser Art von Maschine ist, dass sie im Gegensatz zu anderen Support-Vector-Maschinen keine vorherige Schulung erfordert und keine Black Box ist - die Ergebnisse sind interpretierbar. Die Daten werden nicht nur in Gruppen eingeteilt, sondern man kann die Maschine auch abfragen, um zu sehen, wie sie ihre endgültige Entscheidung getroffen hat, und um mehr über die unterschiedlichen Eigenschaften jeder Gruppe zu erfahren", sagt Dr. Ludovic Jaubert, ein CNRS-Forscher an der Universität Bordeaux.

Die Münchner Wissenschaftler fütterten die Maschine mit einer Viertelmillion Spin-Konfigurationen, die durch die Supercomputersimulationen des Pyrochlormodells von OIST erzeugt wurden. Ohne jegliche Information darüber, welche Phasen vorhanden waren, gelang es der Maschine, eine identische Version des Phasendiagramms zu reproduzieren.

Wichtig ist, dass die Wissenschaftler bei der Entschlüsselung der "Entscheidungsfunktion", die die Maschine zur Klassifizierung der verschiedenen Arten von Spinnflüssigkeiten konstruiert hatte, feststellten, dass der Computer auch die exakten mathematischen Gleichungen, die jede Phase veranschaulichen, selbständig herausgefunden hatte - wobei der gesamte Prozess nur wenige Wochen dauerte.

"Die meiste Zeit war menschliche Zeit, also sind weitere Beschleunigungen noch möglich", sagt Prof. Pollet. "Basierend auf dem, was wir jetzt wissen, könnte die Maschine das Problem in einem Tag lösen."

"Wir sind begeistert von dem Erfolg der Maschine, der enorme Auswirkungen auf die theoretische Physik haben könnte", fügte Prof. Shannon hinzu. "Der nächste Schritt wird sein, der Maschine ein noch schwierigeres Problem zu geben, das der Mensch noch nicht gelöst hat, und zu sehen, ob die Maschine es besser machen kann.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Jonas Greitemann et al.; "Identification of emergent constraints and hidden order in frustrated magnets using tensorial kernel methods of machine learning"; Phys. Rev. B 100, 174408 – Published 5 November 2019

https://www.chemie.de/news/1164424/mensch-gegen-maschine-kann-ki-wissenschaft-betreiben.html