Robot

Manusia versus mesin: bisakah AI melakukan sains?

Photo by Alex Knight from Pexels

Machine learning telah merevolusi banyak sektor masyarakat, seperti mesin yang belajar mengemudi mobil, mengidentifikasi tumor, dan bermain catur – seringkali melebihi manusia

Tim ilmuwan yang berbasis di Okinawa Institute of Science dan Technology Graduate University (OIST), University of Munich dan CNRS di University of Bordeaux menunjukkan bahwa mesin juga dapat mengalahkan fisikawan teoretis pada permainan mereka sendiri, menyelesaikan masalah rumit sama akuratnya dengan para ilmuwan, tetapi jauh lebih cepat.

Dalam studi yang diterbitkan dalam Physical Review B, sebuah mesin belajar mengidentifikasi fase magnetik yang tidak biasa dalam model pyrochlore – mineral yang terbentuk secara alami dengan struktur kisi tetrahedral. Hebatnya, ketika menggunakan mesin, masalah terselesaikan dalam beberapa minggu, padahal sebelumnya para ilmuwan OIST membutuhkan enam tahun.

“Ini terasa seperti langkah yang sangat penting,” ucap Profesor Nic Shannon, yang memimpin Theory of Quantum Matter (TQM) Unit di OIST. “Komputer sekarang dapat melakukan sains dengan cara yang sangat bermakna dan mengatasi masalah yang telah lama membuat para ilmuwan frustrasi.”

Tetapi seperti halnya materi dapat ada dalam fase yang berbeda – padat, cair dan gas – demikian pula zat magnetik. Unit TQM tertarik pada fase magnetik yang lebih tidak biasa yang disebut “spins liquid”, yang bisa digunakan dalam perhitungan kuantum. Dalam spins liquid, ada interaksi yang saling bersaing, atau “frustrasi” antara putaran, jadi alih-alih memesan, putaran terus berfluktuasi ke arahnya – mirip dengan gangguan yang terlihat dalam fase zat cair.

Sebelumnya, unit TQM mencoba menentukan jenis spins liquid yang berbeda yang bisa ada dalam magnet piroklor yang frustrasi. Mereka membangun diagram fase, yang menunjukkan bagaimana fase berbeda dapat terjadi ketika spin berinteraksi dengan cara yang berbeda ketika suhu berubah, dengan temuan mereka diterbitkan dalam Physical Review X pada 2017.

Sumber Frustrasi

Di semua magnet, setiap atom dikaitkan dengan momen magnet kecil – dikenal sebagai “putaran”. Pada magnet konvensional, seperti magnet yang menempel pada lemari es, semua putaran diperintahkan sehingga mengarah ke arah yang sama, menghasilkan medan magnet yang kuat. Urutan ini seperti cara atom memesan material padat.

Tetapi menyatukan diagram fase dan mengidentifikasi aturan yang mengatur interaksi antara putaran di setiap fase adalah proses yang sulit.

“Magnet ini benar-benar membuat frustrasi,” canda Prof. Shannon. “Bahkan model paling sederhana pada kisi-kisi pyrochlore membutuhkan waktu bertahun-tahun untuk diselesaikan oleh tim kami.”

Memasuki mesin

Dengan meningkatnya kemajuan dalam machine learning, unit TQM ingin tahu apakah mesin dapat memecahkan masalah yang sedemikian kompleks.

Sejujurnya, saya cukup yakin bahwa mesin itu akan gagal,” ucap Prof. Shannon. “Ini adalah pertama kalinya saya tercengang dengan hasilnya – saya terkejut, saya bahagia, tetapi tidak pernah tercengang.”

Para ilmuwan OIST bekerja sama dengan para ahli machine learning dari University of Munich, dipimpin oleh Profesor Lode Pollet, yang telah mengembangkan “tensorial kernel ” – cara untuk mewakili konfigurasi putaran di komputer. Para ilmuwan menggunakan tensorial kernel untuk melengkapi “support vector machine”, yang mampu mengkategorikan data kompleks menjadi kelompok yang berbeda.

Keuntungan dari jenis mesin ini yaitu tidak seperti support vector machines lainnya, ia tidak memerlukan pelatihan dahulu dan itu bukan black box – hasilnya dapat diartikan. Data tidak hanya diklasifikasikan ke dalam kelompok; Anda juga dapat menginterogasi mesin untuk melihat bagaimana ia membuat keputusan akhir dan mempelajari sifat-sifat berbeda dari masing-masing kelompok, ” jelas Dr Ludovic Jaubert, seorang peneliti CNRS di University of Bordeaux.

Ilmuwan Munich memberi data mesin seperempat dari satu juta konfigurasi putaran yang dihasilkan oleh simulasi superkomputer OIST dari model pyrochlore. Tanpa ada informasi tentang fase mana yang ada, mesin berhasil berhasil mereproduksi versi diagram fase yang identik.

Bagian terpenting, ketika para ilmuwan menguraikan “fungsi keputusan” yang telah dibuat mesin untuk mengklasifikasikan berbagai jenis spin liquids, mereka menemukan bahwa komputer juga secara mandiri menemukan persamaan matematika yang tepat yang mencontohkan setiap fase – dengan seluruh proses mengambil masalah minggu.

“Sebagian besar waktu ini adalah waktu manusia, jadi percepatan lebih lanjut masih dimungkinkan,” ungkap Prof. Pollet. “Berdasarkan apa yang kita ketahui sekarang, mesin tersebut bisa menyelesaikan masalah dalam sehari.”

“Kami sangat senang dengan keberhasilan mesin, yang dapat memiliki implikasi besar bagi fisika teoretis,” tambah Prof. Shannon. “Langkah selanjutnya adalah memberi mesin masalah yang lebih sulit, yang belum berhasil diselesaikan manusia, dan melihat apakah mesin dapat melakukannya lebih baik.”

Jurnal Referensi:

Identification of emergent constraints and hidden order in frustrated magnets using tensorial kernel methods of machine learning. Jonas Greitemann, Ke Liu (刘科 子竞), Ludovic D. C. Jaubert, Han Yan (闫寒), Nic Shannon, and Lode Pollet Phys. Rev. B 100, 174408

Tautan ke artikel asli: Man versus machine: can AI do science? / Okinawa Institute of Science and Technology Graduate University

Diterjemahkan oleh saintifia dengan seizin dari yang bersangkutan, segala kesalahan translasi menjadi tanggungjawab kami.