在科學研究中，數據的稀缺性是一個主要問題。機器學習技術通常依賴大量數據來產生顯著的結果，這使得應用機器學習變得幾乎不可能。因此，如何有效利用人工智能支持研究成為一個重要課題。
針對這一問題，一組研究人員開始探索凝聚態物理學的解決方案，該領域專注於材料的行為，特別是一些奇特或複雜的材料。研究團隊特別關注一種稱為挫折磁體的材料，這種材料的磁性部分無法單獨排列，導致其行為異常，這可能有助於理解量子計算機等概念。
然而，挫折磁體的模擬存在重大障礙，因為這種材料的磁離子之間的相互作用限制了模擬的可能性。研究人員對於當磁體降至接近絕對零度時會發生什麼特別感興趣。在低溫下，這種磁體會進入一種稱為自旋液體的奇特狀態，磁性部分不斷變化，類似於液態水中分子的運動。然而，研究人員在確定自旋液體在進一步冷卻時的變化時遇到了困難。
沖繩科學技術大學院（OIST）的量子物質理論單位負責人Nic Shannon教授表示，最近物理學家對一種量子自旋液體感到興奮，這可能有助於理解容錯量子計算機。他提到，研究小組在2020年意識到這種自旋液體可能自然存在於一類稱為「呼吸焰晶體」的磁性材料中，但仍無法確定低溫下自旋液體的變化。
OIST的研究人員與慕尼黑大學的機器學習專家合作，後者開發了一種能夠分類傳統磁性秩序的機器學習算法。慕尼黑大學的Lode Pollet教授指出，這種方法具有高度可解釋性，易於理解決策過程，且不依賴於模型的先前訓練，這使其在數據有限的應用中更具優勢。
研究團隊使用蒙特卡羅模擬來模擬自旋液體的冷卻過程，並通過機器學習算法分析模擬數據，發現了之前未能察覺的模式。接下來，團隊利用這些數據反向運行蒙特卡羅模擬，最終加熱了未知的磁性狀態，而非冷卻，這一過程幫助他們確認了磁體的狀態，解開了之前無法解決的謎題。
法國國家科學研究中心（CNRS）和波爾多大學的Ludovic Jaubert博士表示，這次實驗表明，單靠人類或機器無法解決這一問題，二者的合作更像是同事之間的協作，算法發現了人類未能察覺的內容，反之亦然，最終共同構建了完整的理解圖景。這一實驗顯示，雖然人類和人工智能各有優勢，但只有將人類的洞察力與人工智能的模式識別相結合，才能在某些領域取得突破。
日本電話卡推介 / 台灣電話卡推介
一㩒即做：香港網速測試 SpeedTest HK
