A segunda lei da termodinâmica delineia uma assimetria em como os sistemas físicos evoluem ao longo do tempo, conhecida como a seta do tempo. Em sistemas macroscópicos, essa assimetria tem uma direção clara (por exemplo, pode-se notar facilmente se um vídeo que mostra a evolução de um sistema ao longo do tempo está sendo reproduzido normalmente ou ao contrário).
No mundo microscópico, entretanto, essa direção nem sempre é aparente. Na verdade, as flutuações nos sistemas microscópicos podem levar a violações claras da segunda lei da termodinâmica, fazendo com que a seta do tempo se torne embaçada e menos definida. Como resultado, ao assistir a um vídeo de um processo microscópico, pode ser difícil, senão impossível, determinar se ele está sendo reproduzido normalmente ou ao contrário.
Pesquisadores da Universidade de Maryland desenvolveram um algoritmo de aprendizado de máquina que pode inferir a direção da seta termodinâmica do tempo em processos macroscópicos e microscópicos. Este algoritmo, apresentado em um artigo publicado na Nature Physics, poderia finalmente ajudar a descobrir novos princípios físicos relacionados à termodinâmica.
“Aprendi sobre termodinâmica em pequena escala quando fiz um curso sobre mecânica estatística de desequilíbrio ministrado pelo Prof. Jarzysnki”, disse Alireza Seif, um dos pesquisadores que realizou o estudo, ao Phys.org. “Ao mesmo tempo, estava explorando aplicativos de aprendizado de máquina em física, que atraíram muito interesse nos últimos anos. Um exemplo de aplicativos de aprendizado de máquina é a classificação de imagens e as mesmas ferramentas têm sido usadas para classificar fases da matéria na física . ”
Enquanto prosseguia seus estudos, Seif percebeu que a busca de tentar determinar a direção da flecha do tempo também poderia ser enquadrada como um problema de classificação. Ele então começou a explorar a possibilidade de desenvolver um algoritmo de aprendizado de máquina que pudesse determinar essa direção e discutiu essa ideia com seus colegas Mohammad Hafezi e com Christopher Jarzynski. Os três pesquisadores decidiram colaborar. Após o sucesso de um experimento inicial, eles começaram a estudar vários casos nos quais sua rede neural poderia fornecer novos insights valiosos.
“Usamos o aprendizado supervisionado e treinamos uma rede neural para detectar a direção da seta do tempo com base em um conjunto de filmes simulados de processos físicos com rótulos correspondentes indicando para trás / para frente”, explicou Seif. “Nossa rede neural produz um número entre 0 e 1, que depende da entrada (o filme) e dos parâmetros da rede (pesos e vieses). Em seguida, procuramos os valores dos parâmetros que minimizam a diferença entre a saída da rede neural e os rótulos verdadeiros (direção da seta do tempo). ”
Quando eles usaram sua rede neural para analisar vídeos de processos físicos, eles descobriram que ela poderia prever com sucesso a direção da seta do tempo com excelente precisão. Além disso, as análises do algoritmo revelaram que o trabalho dissipado é a quantidade adequada a ser usada ao tentar determinar essa direção.
Em seu estudo, os pesquisadores também usaram uma técnica conhecida como iniciação, introduzida por uma equipe de engenheiros de software do Google. Essa técnica permitiu-lhes investigar o que se passa dentro de sua rede neural, identificando as trajetórias para frente e para trás mais representativas.
Por exemplo, para descobrir uma trajetória de avanço representativa, a equipe pegou uma entrada aleatória com uma direção desconhecida (ou seja, para frente ou para trás) e mudou-a de tal forma que a saída da rede a classificou como direta. Eles então mostraram que as trajetórias representativas que descobriram realmente correspondiam às previsões teóricas.
“A física da flecha do tempo no contexto da física estatística do não-equilíbrio foi quantificada nas últimas décadas”, disse Seif. “É interessante que um algoritmo bem conhecido (regressão logística) que existia décadas antes desses teoremas leve aos mesmos resultados. É concebível que, com tais experimentos numéricos, se pudesse chegar à formulação teórica da solução antes de sua descoberta dos princípios físicos. ”
Seif e seus colegas descobriram que seu algoritmo de aprendizado de máquina resolveu um problema de física básico e identificou os parâmetros físicos mais importantes para lidar com esse problema com eficácia. A equipe também mostrou que a direção da seta do tempo pode ser inferida sem a necessidade de especificar qual processo físico exato está ocorrendo, o que é muito difícil de ser alcançado manualmente ou analiticamente. No futuro, a equipe planeja continuar explorando o potencial do uso de algoritmos de aprendizado de máquina para conduzir pesquisas de física e fazer novas descobertas científicas.
“A física dos sistemas que estão fora de equilíbrio é uma área de interesse particular para nós, pois tem questões não resolvidas que podem ser respondidas estudando a dinâmica dos sistemas com algoritmos de aprendizado de máquina”, disse Seif. “Para construir a caixa de ferramentas para responder a essas perguntas, temos que começar com exemplos concretos que sabemos como resolver como um ambiente de teste. Atualmente, estamos examinando problemas de física estatística, tanto no domínio quântico quanto clássico, e tentando entender quais ferramentas de aprendizado de máquina podem aprender com observações experimentais. “
Publicado em 24/10/2020 10h07
Artigo original:
Estudo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: