机器学习算法或许可以在识别凝聚物质相变上扮演重要角色，也为量子计算机研究带来新的曙光。把一盘水放到冰箱里，它暂时呈现的是液体。然后水的分子堆积成小六边形，就形成了冰。把超冷的液氮倾倒在钇钡铜氧化物晶片上，电流流过该化合物要比大学生喝啤酒过喉咙所受的阻碍都要小。这意味着你得到了超导体。这种物质特性的急剧转变被称为相变，深受物理学家的喜爱。就像是Jekyll博士瞬间变成了Hyde先生。
如果能够搞清楚正直的Jekyll博士变形的秘方，那物理学家就能理解他是如何变邪恶的了，或者能造出更多的Hyde先生。人类物理学家可能永远不会拥有能够看清相变的神经湿件，但现在计算机却可以。最近发表在Nature Physics上的两篇论文中，来自加拿大圆周理论物理研究所和苏黎世联邦理工学院的两只团队都表示，训练神经网络观察仅数百个原子的快照，就能搞清楚它们所处的相。
加拿大论文作者之一Roger Melko工作原理非常类似于Facebook的自动标签。加拿大那一篇论文的合作者、物理学家Juan Carrasquilla说，「我们改变了Facebook使用这一技术进行图像识别的目的。」他现在正在量子计算公司D-Wave工作。
联合论文的另一合作者、滑铁卢大学副教授、圆周理论物理研究所研究员Roger Melko说，他们改用开源的机器学习软件库TensorFlow，将它应用到了物理系统研究中。当然，面部识别、水变成冰、Jekyll博士变成Hydes并不是这些科学家的目的。他们想要使用人工智能来理解有商业潜在应用的边缘现象，比如为什么一些材料会变成超导体无限接近绝对零度，而一些材料相变后只是温和的低于零下150摄氏度。
苏黎世论文的合作者Sebastian Huber说，「高温度的超导体可能对科技有帮助，而我们对它们的理解非常少。」他们还想增进对奇异的相，亦即拓扑态的理解，在这一状态下，量子粒子行为会比平常更为奇异。（发现拓扑量子相变的物理学家获得2016年诺奖）。像光子或原子这样的量子粒子变换物理状态要相对容易些，但是，拓扑态就比较坚实。这意味着他们或许能被用来搭建量子计算机，比如微软的量子计算机的存储器。
这项研究不仅仅是为了识别相，而是为了理解变。加拿大的研究小组训练计算机寻找在哪一温度下相变发生的准确率达到0.3%。瑞士研究小组展示了一种更狡猾的招数，因为他们能让神经网络理解这些而无需提前训练它们。通常在机器学习中，你是给机器学习设定一个目标：找出狗的样子。「用10万张图片训练网络，」Huber说，「图片里有狗，你可以随时告诉它。如果没有，你也能告诉网络。
」但是，物理学家压根儿没办法告诉网络什么是相变：他们只能给网络展示粒子集合。足够多的不同相足以让计算机学会识别每一种相。Huber觉得，这种水平的新技能get最终能让神经网络发现全新的相。这些新的研究成果并不仅仅停留在象牙塔。人们一直在寻找更强大、更便宜但更好的材料，为此，研究人员利用机器学习也有段时间了。
2004年，一项包括NASA和GE在内的科研合作借助神经网络模拟材料，研发出了一种持久耐用的合金，可用于航空器引擎制造。而且，机器学习要比在一台超级计算机上模拟某种材料的性质要快得多。较之真实的大千世界，物理学家研究的相变模拟仍然比较简单。在这些实验性的材料最终变成新玩意儿前，物理学家仍需找出如何让神经网络一次解析10^23个粒子，而不仅仅是几百个。
但是，Carrasquilla已经希望给他的神经网络展示真实实验数据，看看它是否能找到相变。未来的计算机或许足够智能，不仅可以标记照片上奶奶的面部，还可以发现新的神奇材料。