به گزارش «تابناک» به نقل از سیناپرس، این فاز هیدروژن جامد جدید که توسط یک تیم بین‌المللی از محققان کشف شد، ارائه مدل مولکول‌های هیدروژن را در شرایط شدید دنبال کرد. شکل آنها از کره‌هایی که مانند توده ای از پرتقال روی هم چیده شده بودند به چیزی شبیه به تخم مرغ تبدیل شد.
هیدروژن معمولاً برای تشکیل حالت جامد به دماهای بسیار پایین و فشارهای بسیار بالا نیاز دارد. از طریق یک مطالعه جدید یادگیری ماشینی این تغییر فاز خاص بود که دانشمندان با آرایش مولکولی جدید مواجه شدند.
اسکات جنسن (Scott Jensen) فیزیکدان دانشگاه ایلینویز و یکی از محققان این مطالعات می گوید: ما با هدف نه چندان بلندپروازانه اصلاح نظریه چیزی که در مورد آن می دانیم شروع کردیم. متاسفانه یا شاید خوشبختانه، هیدروژن این رفتار جدید خود را نشان داد. در واقع، این رفتار غالب در دماها و فشارهای بالا بود، چیزی که در تئوری قدیمی‌تر اشاره ای به آن وجود نداشت.
یک الگوریتم یادگیری ماشین به روز شده نقش مهمی در این تحقیق ایفا کرد. این الگوریتم قادر به مدل سازی اعمال هزاران اتم به جای صدها مطالعه بسیار زیاد در مورد پدیده های کوانتومی بود. محققان از یک نسخه بهبود یافته از تکنیک کوانتومی مونت کارلو (QMC) استفاده کردند. اساساً، این روش از نمونه گیری تصادفی و ریاضی احتمال برای بررسی نحوه رفتار دسته جمعی گروه‌های بزرگ از اتم‌ها استفاده می کند.
سپس یک روش محاسباتی دوم برای تأیید نتایج استفاده شد. همانطور که یافته‌ها نشان می‌دهد، تکنیک کوانتومی مونت کارلو پیشرفته همانطور که در نظر گرفته شده است کار می کند.
دیوید سپرلی (David Ceperley) فیزیکدان دانشگاه ایلینویز می گوید: با مدل یادگیری ماشینی، می توانیم از دقیق‌ترین روش‌ها نهایت استفاده را برده و ببینیم واقعاً چه خبر است.
به بیان ساده، مؤلفه یادگیری ماشین دقت و دامنه شبیه سازی‌هایی را که دانشمندان می توانستند اجرا کنند، با استفاده از داده‌های موجود و شبیه سازی‌های قبلی برای دقیق‌تر کردن شبیه سازی‌های آینده از نظر برآوردهایشان، بهبود بخشید.
در حال حاضر، هنوز خیلی زود است که بدانیم این فاز جدید هیدروژن جامد چه معنایی دارد و برای بررسی دقیق تر به آزمایش و شبیه سازی بیشتری نیاز است. با این حال، مطالعه سیارات پر از هیدروژن مانند مشتری و زحل تنها یکی از زمینه هایی است که این درک اضافی می تواند مفید باشد.
شرح کامل این تحقیق در مجله تخصصی Physical Review Letters منتشر شده است.
برون‌یابی در روش یادگیری ماشین معتبر نیست. 
خیلی ممنون