Las técnicas de aprendizaje automático se han aplicado al modelado de física durante algún tiempo. Por lo general, el proceso implica consideraciones como:
(1) Elección de parámetros: un conjunto de grados de libertad y condiciones de contorno se identifican como cantidades de entrada adecuadas. Sus valores deberían poder describir todos los escenarios típicos donde se aplicará el modelo. Un ejemplo podría ser un conjunto de coordenadas. Cuando el problema involucra cantidades altamente correlacionadas, esta elección es generalmente difícil.
(2) Conjunto de aprendizaje: se generan diferentes combinaciones de los valores de entrada hasta que, para la mayoría de los escenarios esperados, se garantice que exista una combinación similar con una alta probabilidad. Por ejemplo, un conjunto de coordenadas atómicas podría generarse aleatoriamente con la restricción de que los valores deben permanecer dentro de cierto rango entre sí (la densidad local debe permanecer en una “zona de Ricitos de Oro”). No siempre es factible guardar todas las combinaciones en el disco , a menudo es más práctico generar los datos sobre la marcha.
- ¿Dónde puedo encontrar una imagen de una base de datos?
- ¿Es el personaje la unidad básica de la jerarquía de almacenamiento de datos?
- ¿Qué grandes ideas en ingeniería se pierden en informática?
- ¿Binus enseña Machine Learning a sus estudiantes universitarios?
- ¿Existe un MOOC gratuito para aprender A +, seguridad de red u otros cursos necesarios para certificaciones informáticas comunes?
(3) Valores de referencia: los valores de salida deseados correspondientes a la entrada se extraen de fuentes confiables, como experimentos, química cuántica o simulaciones clásicas masivamente paralelas. Para las coordenadas atómicas, por ejemplo, puede desear extraer los componentes de fuerza para cada una de las configuraciones y entornos de entrada.
Después de estos preparativos, ¡está listo para entrenar un algoritmo de aprendizaje automático para producir la misma salida! En problemas posteriores, puede aplicar el algoritmo entrenado en lugar de la teoría física y lograr un rendimiento computacional mejor en varios órdenes de magnitud.
La precisión del enfoque de aprendizaje automático es generalmente muy buena siempre que no se requiera extrapolación; después de todo, también implican órdenes de magnitud más parámetros que los modelos de física tradicionales.
Que yo sepa, un mejor rendimiento es el principal motivador para el uso de estas técnicas, personalmente no conozco ninguna propuesta popular para explicar la física en un nivel más fundamental con, por ejemplo, las redes neuronales.