Un proceso microscópico puede tomar una dirección hacia adelante o en reversa y dicha dirección temporal se determina mediante la flecha del tiempo termodinámica. De hecho, las fluctuaciones térmicas son parte fundamental en sistemas microscópicos, puesto que en algunas ocasiones generan una violación de la segunda ley de la termodinámica, lo cual se refleja en la distribución de trabajo. De esta manera, la flecha del tiempo se vuelve difusa de diferenciar entre el proceso hacia adelante y el proceso en reversa. Por esta razón, la técnica de Machine Learning ha emergido como una estrategia en la cual los computadores, a partir de modelos matemáticos, son capaces de aprender información sobre una serie de datos, realizando predicciones sobre nuevos datos. Con base en lo anterior, en este proyecto se busca ver la capacidad del Machine Learning en el contexto de la física estadística y la reproducción de resultados teóricos.
Se utilizó un modelo de Machine Learning basado en regresión logística con la finalidad de predecir la flecha del tiempo termodinámica en un sistema de cadena de espines, en un campo magnético variable en el tiempo. Las simulaciones se realizaron a temperaturas β⁻¹ = 10,30,50. En estos, la estimación teórica de la flecha del tiempo se replicó por el modelo con una precisión de 99,0%, 86,5% y 73,9%, respectivamente. Se observó que la precisión se redujo a medida que se aumentaba la temperatura, debido a los efectos térmicos sobre los espines. El modelo fue parcialmente capaz de relacionar el trabajo de las cadenas de espines con la dirección de la flecha del tiempo. No obstante, se debe ajustar algún parámetro adicional de normalización para que el aprendizaje se ajuste de mejor manera al modelo teórico.
