Второй закон термодинамики описывает асимметрию развития физических систем во времени — стрелу времени. В макроскопических системах эта асимметрия имеет четкую направленность. В микроскопических же это не всегда так очевидно. Флуктуации в них могут приводить к нарушениям этого закона, и стрела оказывается менее четкой. Так что если смотреть видео с записью какого-нибудь микроскопического процесса, непросто бывает определить, проигрывается ли запись вперед или назад.
Ученые из Университета Мэриленда заметили, что одну и ту же модель машинного обучения можно использовать для классификации изображений и фаз вещества в физике, пишет Phys.org. Они применили метод обучения с учителем для тренировки нейросети распознавать направление стрелы времени на основе записи физических процессов с метками вперед или назад.
Затем, когда они применили эту нейросеть для анализа видео физических процессов, они обнаружили, что она способна предсказывать направление стрелы времени с поразительной точностью. Вдобавок, алгоритм показал, что рассеянная работа — подходящий параметр для определения этого направления.
Исследователи обнаружили, что их алгоритм не только решает фундаментальную физическую проблему, но и идентифицирует важные физические параметры для эффективного решения этой проблемы. Команда показала также, что направление стрелы времени можно менять без необходимости определять, какой именно физический процесс имеет место — что очень трудно делать вручную или аналитически.
В будущем команда планирует продолжить применение алгоритмов для физических исследований и научных открытий.
В 2018 году группа физиков доказала, что квантовые компьютеры не подчиняются ограничениям стрелы времени и живут по своим законам. Чтобы экспериментально доказать свою гипотезу, ученые провели несколько физических расчетов с помощью классических и квантовых систем. Эксперимент показал, что квантовые системы одинаково эффективно выводили следствие из причины и причину из следствия.
