یادگیری ماشینی و علم فیزیک

داده ها به عنوان مجموعه ای از اطلاعات ارزشمند شناخته می شوند که با توسعه زندگی صنعتی، تولید داده های مختلف نیز افزایش یافته است. یادگیری ماشینی، به عنوان یکی از زیرمجموعه های علم داده شناخته می شود که به توسعه الگوریتم ها و روش هایی می پردازد که به کامپیوتر امکان می دهد بدون استفاده از دستورالعمل های صریح به یافتن طرح و همبستگی بین داده ها بپردازد. این روش به ما امکان می دهد تا اطلاعات پنهان و الگوهای پیچیده ای را که در داده ها وجود دارد شناسایی کنیم. در یادگیری ماشینی، کار برروی حجم عظیمی از داده ها انجام می گیرد. داده ها به چند بخش تقسیم می شوند. بخشی از داده ها توسط الگوریتم های موجود، آموزش داده می شود و نتایج آن با نتایج مشخص اولیه آن بخش از داده ها مقایسه می شود. در این مرحله، آموزش الگوریتم انجام شده است. داده های آزمون چک می شوند. اگر خطایی در نتیجه مشاهده شود الگوریتم می تواند خود را تصحیح کند تا نتیحه مدل با دقت خوبی مشابه نتایج داده های بخش آزمون شود. در این زمان، یادگیری ماشینی مشخص شده و برای استفاده از بقیه داده های موجود برای پیش بینی و یافتن طرح ها و همبستگی های بین داده استفاده می شود. بنابراین نتایج هوشمند یادگیری ماشینی، اساسا مبتنی بر تطبیق الگو و کاوش داده ها به منظور دستیابی به نتیجه با کمترین دخالت انسانی است. برنامه های کاربردی یادگیری ماشین در زمینه های مختلفی مانند بینایی کامپیوتری، پردازش زبان، تشخیص الگو و پردازش تصویر توسعه یافته است. از موضوعات بسیار جذاب و مهم اخیر در یادگیری ماشین می توان به موارد زیر اشاره کرد: یادگیری ماشینی چندمنظوره برای تلفیق الگوهای مختلف متشکل از داده هایی که ویژگی های متفاوتی دارند، شبیه سازی داده های ترکیبی و مصنوعی زمانی که در زمینه خاصی داده و اطلاعات ورودی به اندازه کافی در دسترس نباشد، و دوقلوهای دیجیتالی برای ساختن مدلی مجازی از یک دنیای واقعی با ویژگی های یکسان. دوقلوی دیجیتال کره زمین نمونه بسیار جالب مورد آخر است که در این حالت مدل کره زمین با شرایط فیزیکی، آب و هوایی، و شرایط محیطی یکسان شبیه سازی می شود تا رویدادهای طبیعی قابل پیش بینی باشند. علم داده، یادگیری ماشینی و علم فیزیک به طور جالبی با هم مرتبط هستند. در واقع، یکی از کاربردهای جالب یادگیری ماشین در فیزیک استفاده از مدل های پیش بینی برای تحلیل داده های تجربی و مشاهده شده است. این مدل ها که مبتنی بر روش های بدون ناظر (Unsupervised) هستند، به ما کمک می کنند تا الگوهای پنهان در داده ها را شناسایی کرده و پیش بینی هایی در مورد رفتارهای فیزیکی سامانه داشته باشیم. در فیزیک، روش های یادگیری ماشینی برای تجزیه و تحلیل داده های تجربی و مشاهده ای، شبیه سازی سامانه های فیزیکی و پیش بینی بر اساس مدل های داده محور استفاده می شود. به عنوان مثال علم داده برای تجزیه و تحلیل داده های تجربی و شناسایی الگو ها و روند ها و استنتاج آماری آنها استفاده می شود. علم داده در اختر فیزیک برای تجزیه و تحلیل مجموعه داده های نجومی بزرگ مقیاس، مانند داده های به دست آمده از تلسکوپ ها و ماهواره ها برای مطالعه اجرام و پدیده های آسمانی استفاده می شود. الگوریتم ها برای طبقه بندی و شناسایی اجرام ستارگان، کهکشان ها و سیاه چاله ها و تحلیل خواص آنها از قبیل جرم، دما و ترکیبات آنها استفاده می شود. در کیهان شناسی علم داده برای تجزیه و تحلیل داده های تابش پس زمینه ریزموج پرتو های کیهانی، بررسی های در مقیاس بزرگ از کهکشان ها و سایر مشاهدات تجربی به کار می رود که در مطالعه ساختار، تکامل و ترکیب جهان و آزمایش مدل ها و نظریه های کیهان شناسی مهم هستند. علم داده در تجزیه و تحلیل داده های شتاب دهنده های ذرات مانند شتاب دهنده هادرون مورد استفاده قرار می گیرد. دانشمندان از الگوریتم های یادگیری ماشینی برای شناسایی و بازسازی ذرات از مقادیر وسیعی از داده های تولید شده توسط آشکارسازها استفاده می کنند که به درک جهان و برهم کنش های ذرات کمک می کند.  بنابراین علم داده و یادگیری ماشینی می تواند در علم فیزیک بسیار کمک کننده باشند. در این خصوص مثال های متعدد وجود دارد که خواننده را برای مرور موضوعات دیگر به مقالات زیر ارجاع می دهیم:  Nature Review Physics, ۴, ۷۶۱ (۲۰۲۲)  Nature, ۶۲۰, ۴۷ (۲۰۲۳).      حال پرسش اساسی و جالب این است که آیا علم فیزیک می تواند به یادگیری ماشینی و روش های آن کمک کند؟ جواب این سوال مثبت است و علاوه بر این که محاسبات کوانتومی مبتنی بر کیوبیت کارایی بالایی برای کاربردهای یادگیری ماشین دارد، به چند مورد اخیر دیگر که فیزیک به یادگیری ماشین کمک کرده است اشاره می کنیم. اخیرا تراشه های نوری که در مقاله Nature Photonics, ۱۷, ۷۲۳ (۲۰۲۳) ارائه شده است، توسعه یافته اند که می توانند برای پردازش سریع تر الگوهای یادگیری ماشینی به کار گرفته شوند. تراشه های نوری سرعت پردازش چند برابر از ابرکامپیوترهای چت جی پی تی (Chatgpt) دارند. انرژی مصرفی آن چند مرتبه بزرگی کمتر از ابرکامپیوترهای مبتنی بر تراشه های الکترونی است. در این تراشه های نوری به جای این که از فرایند شبکه عصبی مصنوعی مبتنی بر الکترون در فضای ۳ بعدی استفاده شود از پرتوهای نوری کمک گرفته می شود و در نتیجه در کاربرد شبکه عصبی مصنوعی بسیار مفید است. مثال دیگر در مورد چالش هایی است که یادگیری ماشینی با آن مواجه است. به عنوان مثال زمانی که داده ها از پیچیدگی خاصی برخوردارند و در عین حال تقارن هایی در آنها دیده می شود روش های معمولی یادگیری ماشین برای توجیه آنها با مشکل مواجه است. برای فائق آمدن بر آن نیاز است دانش بهتری از یادگیری ماشین داشته باشیم تا بتوان به نتایج مستخرج از آن اعتماد کرد. روش جدید رگرسیون نمادین (به Symbolic Regression, Science Advances, ۶, ۱۶ (۲۰۲۰) رجوع شود) نوعی تحلیل رگرسیون است که جستجو در فضای توابع ریاضی انجام می گیرد تا مدلی را که از نظر دقت و هم از نظر سادگی با مجموعه ای از داده های معین مطابقت دارد ارائه دهد. مدل نهایی با کمینه کردن تابع اتلاف به دست می آید. مثال دیگر شبکه های عصبی لاگرانژی است. در مدل های استاندارد، اعمال کردن تقارن ها در مدل های یادگیری ماشین ساده نیست. اما در شبکه های عصبی لاگرانژی می توان لاگرانژی های دلخواه را با استفاده از شبکه های عصبی پارامتری کرد. در این مدل نیازی به مختصات بندادی نیست و از این رو در شرایطی که اندازه حرکت بندادی نامشخص است یا به سختی محاسبه می شود روش شبکه های عصبی لاگرانژی عملکرد خوبی دارند. در آخر باید اشاره کرد که آینده ارتباط تنگاتنگ بین یادگیری ماشینی و علم فیزیک روشن و پر امید است. با پیشرفت روزافزون فناوری و افزایش توانایی الگوریتم های یادگیری ماشینی، انتظار می رود که کاربردهای بیشتر و متنوع تری در فیزیک ظاهر شود. طراحی و توسعه مواد جدید با خواص چند منظوره، اندازه گیری های دقیق تر تجربی و حذف نوفه و خطا، کشف الگوهای جدید و ناشناخته پدیده های فیزیکی از نمونه مثال هایی است که انتظار می رود در آینده نزدیک به ثمر برسد.     [۲]