Ученые из Массачусетского технологического института и Базельского университета в Швейцарии применили генеративные модели искусственного интеллекта для решения важной задачи в области физики материалов и квантовых систем. Они разработали новую методику машинного обучения, которая может автоматически картировать диаграммы фазовых переходов для новых физических систем.
Содержание
Что такое фазовые переходы?
Когда вода замерзает, она переходит из жидкой фазы в твердую, что приводит к резкому изменению ее свойств, таких как плотность и объем. Фазовые переходы в воде настолько обычны, что мы, вероятно, даже не задумываемся о них. Однако фазовые переходы в новых материалах или сложных физических системах являются важной областью исследований.
Чтобы полностью понять эти системы, ученым необходимо уметь распознавать фазы и обнаруживать переходы между ними. Но как количественно описать фазовые изменения в неизвестной системе, особенно когда данных мало, часто неясно.
Традиционные методы и их ограничения
В прошлом исследователи полагались на экспертные знания в области физики для ручного построения диаграмм фазовых переходов. Это требовало теоретического понимания того, какие параметры порядка являются важными для описания системы. Однако такой подход не только трудоемкий для сложных систем, но и добавляет в решение человеческую предвзятость.
Более современный подход заключается в использовании машинного обучения для создания дискриминационных классификаторов, которые могут решать эту задачу, обучаясь классифицировать статистику измерений как принадлежащую определенной фазе физической системы, подобно тому, как модели классифицируют изображение кошки или собаки.
Преимущества генеративных моделей
Исследователи из MIT продемонстрировали, как генеративные модели могут решать эту задачу классификации гораздо более эффективно и с учетом физических закономерностей. Обычно генеративные модели, лежащие в основе таких систем, как ChatGPT и DALL-E, работают, оценивая вероятностное распределение некоторых данных, которое они используют для генерации новых точек данных, соответствующих этому распределению (например, новых изображений кошек, похожих на существующие).
Это распределение описывает статистику измерений физической системы.
Озарение исследователей из MIT заключалось в том, что это вероятностное распределение также определяет генеративную модель, на основе которой можно построить классификатор. Они подставляют генеративную модель в стандартные статистические формулы, чтобы напрямую сконструировать классификатор, вместо того чтобы обучать его на выборках, как это делалось с дискриминационными подходами.
Эффективность и преимущества нового подхода
Этот генеративный классификатор может определить, в какой фазе находится система, исходя из некоторого параметра, такого как температура или давление. И поскольку исследователи напрямую аппроксимируют вероятностные распределения, лежащие в основе измерений физической системы, классификатор обладает знаниями о системе.
Это позволяет их методу работать лучше, чем другие методы машинного обучения. И поскольку он может работать автоматически без необходимости масштабного обучения, их подход значительно повышает вычислительную эффективность обнаружения фазовых переходов.
Подобно тому, как можно попросить ChatGPT решить математическую задачу, исследователи могут задавать генеративному классификатору вопросы вроде: “Принадлежит ли этот образец фазе I или фазе II?” или “Был ли этот образец сгенерирован при высокой или низкой температуре?”
Ученые также могли бы использовать этот подход для решения различных задач бинарной классификации в физических системах, возможно, для обнаружения запутанности в квантовых системах (запутанное или нет?) или для определения, какая теория, А или Б, лучше подходит для решения конкретной проблемы.
Потенциальное применение
Кроме того, этот подход можно использовать для лучшего понимания и улучшения больших языковых моделей, подобных ChatGPT, определяя, как следует настраивать определенные параметры, чтобы чат-бот давал лучшие результаты.
В будущем исследователи также хотят изучить теоретические гарантии относительно того, сколько измерений потребуется для эффективного обнаружения фазовых переходов и оценить необходимые для этого вычислительные ресурсы.
Вывод
Новая методика, основанная на генеративных моделях ИИ, может помочь ученым исследовать термодинамические свойства новых материалов или обнаруживать запутанность в квантовых системах. В конечном итоге, эта техника может позволить ученым автономно обнаруживать неизвестные фазы материи.
“Если у вас есть новая система с полностью неизвестными свойствами, как вы выберете, какую наблюдаемую величину изучать? По крайней мере, с помощью методов, основанных на данных, вы могли бы автоматически сканировать крупные новые системы, и они указали бы на важные изменения в системе. Это может стать инструментом в цепочке автоматического научного открытия новых, экзотических свойств фаз”, – говорит Фрэнк Шефер, постдок из лаборатории Julia в Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) и соавтор статьи об этом подходе.
Генеративные модели ИИ могут открыть новые горизонты для физиков и ученых, изучающих сложные системы, предлагая эффективные инструменты для автоматического картирования фазовых диаграмм и обнаружения неизвестных ранее свойств материи.
Читайте также: КосмоАгент: искусственный интеллект моделирует первый контакт с внеземными цивилизациями
