凝態物理好難解？凍住人腦凍不住電腦

在凝態物理的研究中，奇異相變（exotic phases）及層現現象（Emergent phenomena）一直都是炙手可熱的題目，但是傳統的運算方法有個瓶頸：當理論模型中的粒子數量慢慢趨近實際材料，便需要運用到高效能的超級電腦設備，才能夠進行運算，但是此設備造價高昂，對於研究者而言是一個非常大的負擔。

為了解決這個問題，凝態物理學家認為人工智慧可以與傳統的演算法結合，使材料中電子之研究得以變得較簡易，因為人工智慧具有機器學習（Machine learning）及人工神經網路（ANN：Artificial Neural Network）的能力，但是這兩種能力又分別代表什麼呢？

機器學習（Machine learning)

機器學習即為讓機器具有學習的能力，而其中又分為「訓練」及「預測」兩個階段，科學家將人類判斷事物的能力移轉到機器上，給予機器許多的數據，讓其找尋規律，從規律中得到經驗，進而有了預測未來的能力。機器學習其實就是在做大量的資料處理，當機器學會了分類，才能夠進行分析理解、預測未來及採取行動。
 

人工神經網路（ANN：Artificial Neural Network）

人工神經網路是一種模仿生物神經網路的結構和功能所產生的數學模型，就像人類的大腦仰賴神經網路，科學家也在機器中架設「類神經網路」，讓機器透過層層非線性函數組成的神經網路、及精心策劃的權重訓練，學會做出在未曾經驗過的情境下做出最適當的反應。

機器學習演算法可以優化一般桌上型電腦的圖形處理器（GPU：Graphical Processing Units），使得電腦進行平行運算的能力大幅提高。在凝態物理中，我們可以利用人工智慧，對於已知的電子結構進行分類。

赫巴德模型（Hubbard Model）為一晶格中帶電粒子的模型，科學家嘗試運用神經網路，找尋64個電子版本的赫巴德模型之相轉變。這已經是一簡化的模型，但是因為電子會在三維晶格空間中自旋及自由移動，在預測特定的相轉變時，仍舊需要超級電腦的輔助。不過只要藉由赫巴德模型製造出一系列的影像，並且利用這些大量的影像來訓練神經網路，並且讓演算法來預測赫巴德模型在給定不同條件下的長相，經由訓練後，這個神經系統預測出了與傳統計算方法一致的模型。

這個結合了人工智慧的演算法對於凝態物理的研究才不過是初試啼聲，仍然在驗證的階段，研究學者知道機器可以歸類並找出模式，但是尚未理解它如何找到的。有些研究認為機器學習的運作就像是運用了凝態及粒子物理中「重整化」概念的數學方法，而這個方法可以將微觀的細節放大為巨觀的畫面。我們利用人工智慧解決凝態物理的難題，或許，凝態物理也能夠幫助我們解開機器學習之謎。

本文文參考APS NEWS April/2018 https://www.aps.org/publications/apsnews/201804/condensed.cfm 之報導改寫