超分辨率增强不止能修复照片，还能解决物理学家的棘手难题

东京城市大学的研究人员借用机器学习中的超分辨率增强技术，用来研究相变。他们先模拟微小的粒子阵列，确定了大型粒子阵列在不同温度下的行为特征，然后使用卷积神经网络(CNN)，利用“相关”配置对大型粒子阵列进行良好估计。大量节省计算成本可能会实现理解材料行为的独特方式。

我们被物质的不同状态或“相”所包围，即气体、液体和固体。相变的研究，即一个阶段如何转变成另一个阶段，是我们理解宇宙物质的核心，也是物理学家的一个热门话题。这就是为什么物理学家研究模型系统，也就是阵列上通过简单规则相互作用形成的简单“粒子”网格，。

然而，就像所有的模拟一样，要同时观察许多粒子时，所需的计算变得十分复杂，要想将这些发现应用于现实世界，更是不可能的事——真实材料通常比模拟物质包含更多数量级的原子和分子。

东京都市大学、芝浦理工学院和新加坡生物信息学研究所的研究团队一直在研究，如何用一个称为逆重正化群(RG)的概念，可靠地将较小的模拟推广到较大的模拟上。

它们使用了CNN。他们的想法是给一个算法一个小的粒子阵列的状态，并让它“估计”一个更大的阵列会是什么样子。这与让CNN通过创造超分辨率图像有异曲同工之妙。

该团队试图将其应用到物质的“自旋”模型中。

和所有机器学习技术一样，关键是能够生成可靠的“训练集”。该团队开发了一种新的算法，称为关联配置的块-簇转换，从而将这些关联配置缩减为更小的模式。对原始模式和简化模式应用改进的估计技术，它们具有基于相同信息的不同大小的配置对。剩下的就是训练CNN将小模式转换成大模式。

该小组考虑了2种系统——2D Ising模型和三态Potts模型，这2种系统都是凝聚态研究的关键基准。对于这2种情况，他们发现他们的CNN可以使用一个非常小的点阵列的模拟来重现相关g(T)的测量是如何在更大的系统中通过相变点变化的。与对更大系统的直接模拟相比，这2个系统都重现了相同的趋势，并结合了基于任意系统规模数据的简单温度调整。

编译/前瞻经济学人APP资讯组

本文来源前瞻网，转载请注明来源。本文内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）