Opis projektu
Uczenie maszynowe ma szansę stać się potężnym narzędziem w badaniach fizycznych
Uczenie maszynowe, nauka zajmująca się tworzeniem algorytmów, które poprawiają się automatycznie dzięki zyskiwanemu doświadczeniu, okazała się przydatna w rozwiązywaniu złożonych problemów inżynierskich związanych z rozpoznawaniem obrazów, automatyzacją procesu tłumaczenia i grami. Ostatnio rozważa się wykorzystanie jej w fizyce teoretycznej ze względu na zdolność do wskazywania wzorów w obrębie wielowymiarowych zbiorów danych i skutecznego przybliżania złożonych zależności funkcjonalnych. Celem finansowanego ze środków UE projektu COMPLEX ML jest zacieśnienie tej więzi między uczeniem maszynowym a badaniami z zakresu fizyki. Uczeni wykorzystają koncepcje i metody pochodzące z fizyki układów nieuporządkowanych, aby podnieść wydajność i jakość uczenia się najbardziej zaawansowanych algorytmów uczenia maszynowego. Ponadto metody uczenia maszynowego zostaną połączone ze współczesnymi metodami fizyki komputerowej w celu opracowania nowych narzędzi do opisu układów nieuporządkowanych.
Cel
Machine learning (ML) has proven capable of tackling difficult engineering problems in image recognition and automated translation, but even more impressively in domains where traditional algorithmic approaches had struggled, such as game playing. Though the relations between ML and physics are decades old, it only recently attracted a widespread attention of scientists in many subfields of theoretical physics due to its ability to identify patterns in high-dimensional data, and to efficiently approximate complicated functional relationships. At the same time, the empirically oriented philosophy of ML is very different from that of fundamental sciences: a trained model often offers little insights into the qualitatively important aspects of the problem, how the solution was arrived at, what are the guarantees of correctness, and, crucially, how to generalize it. Bridging this conceptual gap is thus of fundamental importance, if ML is to become a powerful and controlled tool in physics research. This interdisciplinary projects aims to bring about successful development and application of ML methods resulting in qualitatively new insights in physics by following a twofold strategy. On the one hand, the performance and training of state-of-the-art ML algorithms will be improved using methods of complex and disordered systems. Specific problems targeted will include novel reinforcement learning schemes, and training of binary neural networks, with input from industrial R&D researchers. On the other, cutting edge ML techniques, particularly those with a strong underpinning in information theory, will be combined with modern computational physics methods to develop new tools for disordered systems. This is motivated by the possibility of using them to study soft materials, providing better understanding of these ubiquitous but complex systems.
Dziedzina nauki
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- natural sciencesphysical sciencestheoretical physics
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
- humanitiesphilosophy, ethics and religionphilosophy
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
8006 Zurich
Szwajcaria