Renormalizacijska grupa temeljni je alat u fizici koji nam omogućuje razumijevanje kako se sustavi mijenjaju ovisno o duljinskoj skali na kojoj ih promatramo. Tradicionalno, taj je proces jednosmjeran: „mutimo“ sliku sustava, postupno uklanjajući mikroskopske detalje kako bismo vidjeli širu, makroskopsku sliku.
U nedavno objavljenom radu u časopisu Physical Review E, naši istraživači Tomislav Ivek i Ivan Balog, u sklopu međunarodne suradnje, postavili su obrnuto pitanje: može li neuronska mreža učiniti suprotno – rekonstruirati fine, mikroskopske detalje polazeći od vrlo grubih informacija?
Kao testni primjer poslužio im je dvodimenzionalni Isingov model (standardni model u fizici koji opisuje magnetizam na mikroskopskoj razini) u točki kritičnosti, gdje sustav pokazuje složene uzorke na svim skalama istovremeno. Istraživači su trenirali vrlo jednostavne neuronske mreže da iz „grubih“ podataka nauče generirati fine konfiguracije spinova.
Iznenađujući rezultat je da čak i minimalan model – jednoslojna mreža sa samo tri podesiva parametra, može iterativnim lokalnim pravilom „izmaštati“ realistične kritične konfiguracije polazeći od samo jednog početnog spina. Drugim riječima, mreža nije trebala Monte Carlo simulacije, već je samostalno otkrila jednostavna pravila koja upravljaju strukturom kritičnog sustava.
Generirani uzorci uspješno reproduciraju niz fizikalna svojstva kritičnih sustava, poput skaliranja magnetske susceptibilnosti i toplinskog kapaciteta. Zanimljivo je da povećavanje složenosti same neuronske mreže nije dovelo do boljih rezultata, što upućuje da se temeljna struktura ovih kompleksnih fizikalnih sustava može uhvatiti jednostavnim lokalnim pravilima.
Ovaj rad naglašava vezu između fizikalne univerzalnosti u kritičnim pojavama (pojave gdje različiti sustavi pokazuju identično ponašanje u blizini faznih prijelaza) i sposobnosti minimalnih modela strojnog učenja da rekonstruiraju tu fizikalnu stvarnost.
Cijeli rad dostupan je na poveznici: doi.org/10.1103/3njc-5tlx
