Učíme stroje fyziku

Učíme stroje fyziku

Fyzika / rozhovor

Umělá inteligence dnes umí odhalovat podvody, předpovídat Alzheimerovu chorobu nebo třeba porazit člověka v pokeru. Mohla by jednou objevovat i fyzikální zákony? Potenciál využití umělé inteligence ve fyzice zkoumají Martin ŽondaPavel Baláž. Pod jejich vedením právě na Matfyzu vzniká nová vědecká skupina zaměřená na strojové učení.

Martin Žonda (vlevo) a Pavel Baláž (foto: Tomáš Princ)
Martin Žonda (vlevo) a Pavel Baláž (foto: Tomáš Princ)

Co všechno už umělá inteligence ve fyzice dokáže?

Pavel Baláž.: Umělá inteligence, konkrétně strojové učení, se dá využít ke zpracování dat, která jí poskytneme. Nezáleží na tom, z jaké oblasti tato data pocházejí. Konkrétně ve fyzice se v současnosti běžně používá ke klasifikaci dat. Umělá inteligence se totiž dokáže naučit odhalovat určité vzory v čase a prostory, a tím nám pomáhá zařadit výsledky měření anebo simulací do určitých tříd. Třeba v astronomii může pomoct při klasifikaci pozorovaných vesmírných objektů, v částicové fyzice dokáže identifikovat elementární částice na základě jejich trajektorií v mlžné komoře a ve fyzice pevných látek pomáhá rozpoznávat fáze a fázové přechody.

To je tedy základní využití. Jakým dalším způsobem ještě fyzikům usnadňuje život?

P. B.: Další vlastností, která se ve fyzice úspěšně využívá, je schopnost predikce. Pokud máme systém skládající se z velkého množství částic, které spolu složitě interagují, umělá inteligence dokáže s vysokou přesností předpovídat, jakým způsobem se tento systém bude v blízké budoucnosti vyvíjet. Tuto předpověď přitom vytvoří jen na základě údajů z předcházející doby. Takto například vzniká předpověď počasí. Neuronové sítě se také dají využít jako tzv. univerzální aproximátory. V kvantové fyzice je klíčovým pojmem vlnová funkce. Největším problémem je, že tato funkce se nedá přímo experimentálně pozorovat. Z fyzikálních měření dokážeme zjistit pouze pravděpodobnosti, s jakými se bude systém nacházet v určitém stavu. Ukazuje se ale, že v některých případech můžeme na základě těchto měření s pomocí strojového učení zrekonstruovat samotnou vlnovou funkci, kterou potom můžeme využít při dalších výpočtech.

Martin Žonda: Metody strojového učení, které je podmnožinou umělé inteligence, se používají také k urychlení numerických simulací složitých systémů či při rekonstrukci neúplných či zašuměných experimentálních dat. Dají se využít i ke kontrole samotného měření. Úzce zaměřená umělá inteligence analyzuje experiment v reálném čase a sama rozhodne, jak v dalším kroku nastavit parametry měření podle sledovaného cíle.

Takže šetří čas, energii a pomáhá zorientovat se ve složitých problémech.

M. Ž.: Už dnes nám umělá inteligence pomáhá s úlohami, které není v lidských silách vyřešit takříkajíc ručně a na které se těžko programují klasické kódy. Dobrým příkladem je už zmíněná klasifikace fází. Existují třídy materiálů, které mají velmi složité fázové diagramy, a my nejenže nevíme, kde se nacházejí hranice mezi fázemi, ale často ani to, jaké fáze vlastně hledáme. Strojové učení stačí nakrmit daty a ono si ty fáze najde samo. Potom už jen potřebujeme zjistit, jaká kritéria vlastně na identifikaci použilo. A samozřejmě musíme zkontrolovat, jestli to dělení dává smysl.

P. B.: Můžeme se ptát, do jaké míry se dá spolehnout na výsledky, které nám poskytla složitá neuronová síť anebo jiný model strojového učení. Někdy tyto pochybnosti plynou jen z nedostatečného pochopení strojového učení, ale jsou případy, kdy je skepse na místě. Například když se snažíme určit nějaké fyzikální vlastnosti na základě neúplných experimentálních údajů anebo když chceme zrekonstruovat chybějící data. Ve fyzice jsme poměrně zvyklí pracovat s neúplnými informacemi. Pak se spoléháme na intuici a formulujeme předpoklady, pomocí kterých se snažíme dospět k nějakým závěrům. Já osobně vidím přednost umělé inteligence v tom, že nám pomáhá při formulování předpokladů tam, kde naše běžná intuice a představivost selhala. K takovým předpokladům je však třeba se vždycky stavět kriticky a v dalším výzkumu je ověřovat a upřesňovat.

Pokud máme systém skládající se z velkého množství částic, které spolu složitě interagují, umělá inteligence dokáže s vysokou přesností předpovídat, jakým způsobem se tento systém bude v blízké budoucnosti vyvíjet.

Jak dlouho už se techniky strojového učení ve fyzice používají?

P. B.: Některé techniky strojového učení, jako je například regrese anebo jako jsou neuronové sítě, se ve fyzice používají už desetiletí. Jejich skutečný nástup se ale uskutečnil až v poslední dekádě díky volným výpočetní časům na počítačových klastrech, a především v souvislosti s dostupnými softwarovými nástroji, které umožňují použít vyspělé metody strojového učení také vědcům, kteří v této oblasti nejsou odborníky.

Také vy jste v první řadě fyzici. Jak jste se dostali ke strojovému učení?

P. B.: Se strojovým učením, konkrétně s umělými neuronovými sítěmi, jsem se poprvé setkal už během přípravy diplomové práce, kterou jsem dělal na univerzitě v Košicích. Moje práce se týkala hlavně numerických simulací magnetických nanočástic. Neuronové sítě jsem využíval ke klasifikaci způsobů změn magnetizace. Před několika lety jsem se ke strojovému učení vrátil v souvislosti se studiem fázových přechodů v kondenzovaných látkách.

M. Ž.: Jsme s Pavlem spolužáci, takže i já jsem nějaké základy získal už na vysoké škole. Ale prakticky jsem se ke strojovému učení dostal během postdoktorského pobytu ve Freiburgu. Kolega Axel Lode tam vedl projekt, který byl přímo zaměřený na využití strojového učení ve fyzice. V rámci něj organizoval také setkání s experty a krátké školy. Tam jsem dostal šanci si vyzkoušet některé metody pod dohledem lidí, kteří je vyvíjejí. Nakonec z toho vznikla spolupráce s výzkumníky z univerzity v Basileji, kteří pracují na metodách, které dokážou klasifikovat fáze takzvaně bez dozoru, tzn. bez toho, abychom algoritmu prozradili, jaké fáze, kolik a kde má hledat. Měl jsem zkušenosti s fyzikálním modelem, který má extrémně komplikovaný fázový diagram a je velmi náročné a zdlouhavé ho konstruovat ručně. Ukázalo se, že s pomocí strojového učení to jde snadno. To mě dost motivovalo, a proto jsem se po návratu do Prahy připojil k Pavlovi, který tam už v mezičase rozběhl malou skupinu zaměřenou na strojové učení ve fyzice.

Čemu se teď věnujete?

M. Ž.: Věnuji se elektronovému transportu, dynamice a fázovým přechodům v nanosystémech, jako jsou například kvantové tečky napojené na supravodiče nebo molekuly a magnetické systémy v molekulární elektronice a spintronice. Strojové učení využíváme v první řadě ke klasifikaci fází a při analýze dat získaných některou ze standardních metod teoretické fyziky. Zároveň se s Pavlem snažíme využít strojové učení k zefektivnění metody Monte Carlo pro frustrované magnety a fermionové systémy. V tomto případě už nejde jen o aplikaci metod strojového učení, ale také o jejich samotný vývoj.

P. B.: Pracuji na oddělení dielektrik Fyzikálního ústavu AV ČR, kde se mj. věnuji výzkumu tzv. skyrmionů. Skyrmiony jsou takové lokální víry magnetického pole s průměrem několik desítek nanometrů, které se dají pozorovat v některých speciálních typech magnetických materiálů. Díky své topologii jsou výjimečně stabilní a pomocí elektrického proudu nebo magnetického pole se s nimi dá manipulovat jako s částicemi, proto se o nich hovoří jako o tzv. kvazičásticích. Magnetické skyrmiony se dnes zkoumají hlavně kvůli tomu, že mají vysoký technologický potenciál. Díky stabilitě by v budoucnu mohly být využívány k zápisu informací na magnetické paměti. Skyrmiony v určitých materiálech při určitých teplotách a magnetických polích vytvářejí tzv. skyrmionové mřížky, jde tedy o jednu z magnetických fází. A právě při analýze těchto fází se využívá i strojové učení.

Od příštího semestru přibude studentům Matfyzu do rozvrhu díky vám nový volitelný předmět zaměřený právě na využití strojového učení ve fyzikálním výzkumu. Co jim nabídne?

P. B.: Studenti Matfyzu mají už dnes možnost seznámit se s metodami strojového učení v několika předmětech v rámci informatické sekce. Tyto předměty jsou však poměrně rozsáhlé a někdy vyžadují i pokročilejší znalost teoretické informatiky, což nemusí vyhovovat studentům fyziky. Náš nový předmět je určený hlavně pro ty, kteří se chtějí naučit základy a chtějí získat představu o možnostech využití strojového učení ve fyzice, případně v dalších přírodovědných oborech.

M. Ž.: Velkou výhodou posledních let je existence volně dostupných balíků a knihoven na strojové učení, které se prudce rozvíjejí. Na některých pracují velké společnosti jako Google nebo Facebook, jiné si fyzici budují sami. Naučit se pracovat s takovým balíkem je mnohem snazší než programovat strojového učení od píky. To výrazně snižuje bariéru na jejich využití pro nové výzkumníky a studenty.

V rámci našeho cvičení se studenti naučí se strojovým učením prakticky pracovat. Půjde především o balíky napsané v programovacím jazyku Python. Na úvod probereme i potřebné programovací základy. Chceme, aby praktická zkušenost s využitím strojového učení na reálné fyzikální problémy byla přenositelná do libovolné oblasti života. Věříme, že tím studentům rozšíříme možnosti jak v akademickém světě, tak mimo něj.

Možná že se jednou místo světa budeme snažit pochopit umělou inteligenci, která už vesmíru rozumět bude.

Zmínili jste, že techniky strojového učení jsou ve fyzice záležitostí hlavně posledních deseti let. Stihla už fyzika díky chytrým strojům udělat nějaký významnější pokrok?

M. Ž.: Například v materiálovém výzkumu se díky strojovému učení už podařilo předpovědět několik nových stabilních materiálů a u dalších pochopit jejich strukturu a fyzikální vlastnosti. Za tímto účelem dnes vědci budují velké databáze materiálů, které obsahují měření i výpočty vlastností. A to jsou ideální vstupy pro strojové učení, nebo přesněji, budou to ideální vstupy, až se začnou publikovat i tzv. negativní výsledky. Cílem automatizované analýzy těchto databází je například hledání nových vysokoteplotních supravodičů použitelných v elektronice, tedy něco, co by mohlo způsobit revoluci v technologiích. V molekulární dynamice se strojové učení používá například k optimalizaci tzv. silových polí, a výrazně tím zrychluje výpočty. Obrovský skok vpřed se díky umělé inteligenci podařilo udělat v oblasti skládání proteinů. Ještě donedávna trvalo hledání správného trojrozměrného tvaru proteinu jen na základě sledu aminokyselin měsíce, nové AI nástroje to zvládnou za pár minut.

P. B.: Dodal bych, že ačkoli nám strojové učení pomáhá v mnoha oblastech, zdá se, že ve fyzice zatím žádnou velkou revoluci nezpůsobilo. Na druhou stranu už teď vidíme, že mnohé metody fungují o dost lépe, než jsme čekali. Některé klasifikační úlohy se dají dostatečně přesně řešit i pomocí minimalistických umělých neuronových sítí. Ve fyzice se metody strojového učení používají poměrně krátce a jejich potenciál pořád odkrýváme.

Jaký potenciál tedy podle vás má umělá inteligence ve fyzice do budoucna?

P. B.: Dá se předpokládat, že v budoucnosti se bude strojové učení ve fyzice i v jiných oborech využívat čím dál častěji. Kromě toho, že využíváme strojové učení při řešení fyzikálních problémů, snažíme se zároveň pochopit i samotný proces tohoto řešení. Z fyzikálního hlediska jsou totiž i neuronové sítě složitým systémem navzájem interagujících částic. Ve fyzice pevných látek se s takovými systémy setkáváme a snažíme se je pochopit pomocí různých aproximačních metod. Otevírá se tu tedy cesta k tomu, abychom se pokusili blíže porozumět strojovému učení i pomocí metod teoretické fyziky.

Principy strojového učení inspirují také experimentální fyziku a technologie. Cílem jedné z rozvíjejících se oblastí, které se říká neuromorfické počítání, je vytvoření fyzikálního hardwaru, tj. součástky, která se bude chovat jako jednoduchá neuronová síť. Takové zařízení by se mohlo stát základem pro počítače nové generace. Jedním z horkých kandidátů na využití v neuromorfických zařízeních jsou právě magnetické skyrmiony.

Vidíte ve využití umělé inteligence i nějaké meze? Nehrozí, že časem přestaneme rozumět informacím, které nám poskytuje?

P. B.: Pokud chceme umělou inteligenci naučit fyziku tak, aby za nás vykonávala rutinní práci, tam žádné limity nevidím. Pokud ale očekáváme, že za nás bude provádět samotný výzkum a formulovat teorie, tak to si zatím představit neumím. Některé výzkumy v oblasti neuronových sítí ukazují, že naivní analýza experimentálních dat pomocí strojového učení s cílem automatického generování fyzikálních teorií může snadno vést k chybným závěrům.

M. Ž.: Záleží na tom, o jakém typu umělé inteligence se bavíme. Úzce zaměřená umělá inteligence, jako je například ta, která se využívá při hraní her nebo při řízení aut či fyzikálních experimentů, zřejmě nové zákony objevovat nebude. Jenže tam se lidé nezastaví. Svatým grálem v této oblasti je všeobecná umělá inteligence, tedy inteligence, která se bude podobat té lidské, akorát bude ještě daleko výkonnější. Pokud se to podaří, nevidím důvod, který by jí bránil objevovat nové fyzikální zákony. Kdoví, možná že se jednou místo světa budeme snažit pochopit umělou inteligenci, která už vesmíru rozumět bude. Její meze se dnes velmi těžko odhadují. Navíc v posledních letech se začala prudce rozvíjet oblast kvantových neuronových sítí. Je to průnik výzkumu kvantových počítačů a strojového učení. Cílem je opravdu zkonstruovat kvantové neuronky a jednou možná i něco jako kvantovou mysl. Zatím je to všechno jen na teoretické úrovni, ale jde o seriózní výzkum. Kam až, nebo jestli vůbec někam, nás to dovede, si teď netroufám ani hádat.


RNDr. Martin Žonda, Ph.D.

Vystudoval fyziku na Univerzitě Pavla Jozefa Šafárika v Košicích. Doktorské studium všeobecné a matematické fyziky absolvoval na košické univerzitě a současně na Ústavu experimentální fyziky Slovenské akademie věd. Jako postdoc nejprve působil sedm let na MFF UK a následně tři roky na Albert Ludwig University of Freiburg. Od letošního roku je výzkumníkem na oddělení teoretické fyziky Katedry fyziky kondenzovaných látek MFF UK. Zabývá se studiem elektronového transportu, dynamikou, fázovými přechody v nanosystémech a aplikací metod strojového učení při výzkumu fázových přechodů a řešení kvantových problémů.


RNDr. Pavel Baláž, Ph.D.

Magisterské studium zaměřené na počítačovou fyziku absolvoval na Univerzitě Pavla Jozefa Šafárika v Košicích. Doktorský titul získal na Univerzitě Adama Mickiewicze v Poznani a následně tři roky pracoval jako postdoc v Institutu molekulární fyziky Polské akademie věd. Od roku 2015 působí na Matfyzu v oddělení teoretické fyziky Katedry fyziky kondenzovaných látek a současně od roku 2020 také na oddělení dielektrik Fyzikálního ústavu AV ČR. Zabývá se magnetickou dynamikou, zejména studiem topologických defektů, jako jsou skyrmiony, při jejichž zkoumání využívá také metody strojového učení.


Mohlo by vás také zajímat:

Antoine Mottet: Věda je rozmanitost a svoboda
Martin Setvín: Slovo „prázdniny“ slyším nerad
Martin Balko: Od počítačových her jsem utekl