In dit onderzoeksproject willen we nieuwe manieren ontwikkelen om fysieke systemen te begrijpen bestaande uit vele op elkaar inwerkende bestanddelen met behulp van technieken die zijn ontwikkeld op het gebied van de machine aan het leren. Een veelgebruikt gebruik van machine learning-modellen is om afbeeldingen van verschillende objecten in te delen categorieën. Evenzo kunnen machine-leermethoden worden gebruikt om verborgen verbindingen te vinden en correlaties tussen de verschillende vrijheidsgraden in een fysiek systeem. Computerbronnen die nodig zijn om standaardalgoritmen toe te passen bij de studie van complexe fysieke systemen, meestal schaal met de systeemgrootte op een exponentiële manier. Dit ongunstig overwinnen exponentieel schalen is een uitdagend probleem. We zullen neurale netwerken gebruiken als een model hiervoor fysieke systemen en gebruik de fysica van het complexe systeem om te leren over de werking van de neurale netwerken. In dit proces optimaliseert de computer de verschillende parameters in het neurale netwerk zodanig dat het het fysieke systeem dat wordt bestudeerd, modelleert. Het is ons doel om de verschillende te ontrafelen stappen die het neurale netwerk heeft genomen om de fysica te modelleren. Dit zal ons in staat stellen om het te ontrafelen onderliggende principes en om verbindingen tot stand te brengen tussen machine learning en fysica, de wederzijds voordeel van beide takken van wetenschappen.