热力学第二定律描述了物理系统如何随时间演化的不对称性，称为时间之箭。在宏观系统中，这种不对称有一个明确的方向（例如，人们可以很容易地注意到显示系统随时间变化的视频是正常播放还是反向播放）。

然而，在微观世界中，这个方向并不总是显而易见的。事实上，微观系统的波动会导致明显违反热力学第二定律，导致时间箭头变得模糊和不明确。因此，当观看微观过程的视频时，很难（如果不是不可能的话）确定它是正常播放还是反向播放。

马里兰大学的研究人员开发了一种机器学习算法，可以在宏观和微观过程中推断热力学时间箭头的方向。发表在《自然物理学》上的一篇论文中的这一算法最终将有助于揭示与热力学相关的新物理原理。

进行这项研究的研究人员之一阿利雷扎·塞伊夫（Alireza Seif）告诉记者：“我在上贾兹恩基教授讲授的非平衡态统计力学课程时，就在小范围内学习了热力学。”"同时，我也在探索机器学习在物理中的应用，这在最近几年引起了很多的兴趣。机器学习应用的一个例子是对图像进行分类，同样的工具也被用来对物理中物质的阶段进行分类。”

在他进行研究的过程中，塞伊夫意识到，试图确定时间之箭方向的探索也可以被界定为一个分类问题。因此，他开始探索开发一种可以确定这一方向的机器学习算法的可能性，并与他的同事Mohammad Hafezi和Christopher Jarzynski讨论了这个想法。三位研究人员决定合作。在最初的实验成功后，他们开始研究各种案例，在这些案例中，他们的神经网络可以提供新的有价值的见解。

塞伊夫解释说：“我们使用监督学习，训练一个神经网络，根据一组物理过程的模拟电影，用相应的标签表示向后/向前，来检测时间箭头的方向。”我们的神经网络输出一个介于0和1之间的数字，这取决于输入（电影）和网络的参数（权重和偏差）。然后我们寻找那些参数值，使神经网络的输出与真实标签（时间箭头方向）之间的差异最小化。”

当他们用他们的神经网络分析物理过程的视频时，他们发现它可以成功地预测时间箭头的方向，而且精确度非常高。此外，该算法的分析表明，当试图确定这个方向时，消耗的功是合适的。

在他们的研究中，研究人员还使用了一种被称为“纵火”的技术，这是由谷歌的一个软件工程师团队引入的。这项技术使他们能够研究神经网络内部发生了什么，识别出最具代表性的前进和后退轨迹。

例如，为了发现一个具有代表性的前进轨迹，研究小组选取了一个方向未知的随机输入（即向前或向后），然后以网络输出将其归类为前进的方式对其进行更改。然后他们证明他们发现的代表性轨迹实际上与理论预测相符。

塞伊夫和他的同事发现，他们的机器学习算法既解决了一个基本的物理问题，又识别出了有效解决这个问题的最重要的物理参数。研究结果表明，这种算法可以推断时间箭头的方向，而无需具体说明具体发生了什么物理过程。未来，该团队计划继续探索利用机器学习算法进行物理研究和取得新科学发现的潜力。

塞伊夫说：“失衡系统的物理学是我们特别感兴趣的领域，因为它有一些尚未解决的问题，可以通过用机器学习算法研究系统的动力学来回答。”目前，我们正在研究统计物理学中的问题，包括量子和经典领域，并试图了解机器学习工具可以从实验观测中学习到什么。”

参考文献：Alireza Seif et al. Machine learning the thermodynamic arrow of time, Nature Physics (2020). DOI: 10.1038/s41567-020-1018-2。