Przełomowe osiągnięcia MIT i sztucznej inteligencji
Badacze z MIT oraz Uniwersytetu w Bazylei opracowali nowatorskie rozwiązanie wykorzystujące sztuczną inteligencję do efektywnego mapowania diagramów fazowych nieznanych systemów fizycznych, co może zrewolucjonizować badania nad właściwościami materiałów i systemami kwantowymi.
Zmiany fazowe w nowych materiałach
Gdy woda zamarza, przechodzi z fazy ciekłej do stałej, co skutkuje znacznymi zmianami w jej właściwościach, takich jak gęstość i objętość. Choć zmiany fazowe w wodzie są powszechne i oczywiste, to zmiany fazowe w nowych materiałach czy złożonych systemach fizycznych stanowią kluczowy obszar badań.
Wyzwania w badaniu faz
Aby w pełni zrozumieć te systemy, naukowcy muszą być w stanie rozpoznawać fazy i wykrywać przejścia między nimi. Jednakże, kwantyfikacja zmian fazowych w nieznanym systemie pozostaje wyzwaniem, zwłaszcza przy ograniczonych danych.
Nowy framework uczenia maszynowego
Naukowcy z MIT i Uniwersytetu w Bazylei zastosowali modele generatywne sztucznej inteligencji, opracowując nowy framework uczenia maszynowego, który automatycznie mapuje diagramy fazowe nowych systemów fizycznych. Ich podejście jest bardziej efektywne niż tradycyjne, manualne techniki oparte na wiedzy teoretycznej. Dzięki zastosowaniu modeli generatywnych, framework nie wymaga dużych, oznakowanych zbiorów danych treningowych, co odróżnia go od innych technik uczenia maszynowego.
Autonomiczne odkrywanie nowych faz materii
Taki framework może pomóc naukowcom w badaniu właściwości termodynamicznych nowych materiałów czy wykrywaniu splątania w systemach kwantowych. Ostatecznie, ta technika umożliwia autonomiczne odkrywanie nieznanych faz materii.
Automatyczne skanowanie systemów
„Jeśli mamy nowy system o całkowicie nieznanych właściwościach, jak wybrać, którą wielkość obserwowalną badać? Nadzieją jest, że narzędzia oparte na danych mogłyby skanować duże, nowe systemy w sposób automatyczny, wskazując na ważne zmiany w systemie. Może to być narzędzie w procesie automatycznego odkrywania nowych, egzotycznych właściwości faz,” mówi Frank Schäfer, współautor badania i postdoktorant w Laboratorium Julii w MIT.
Wykrywanie przejść fazowych
Chociaż przejście wody w lód jest jednym z najbardziej oczywistych przykładów zmiany fazy, bardziej egzotyczne zmiany faz, takie jak przejście materiału z normalnego przewodnika do nadprzewodnika, są przedmiotem intensywnych badań naukowców.
Znaczenie parametrów porządkowych
Te przejścia można wykrywać, identyfikując „parametr porządkowy”, czyli wielkość, która jest istotna i spodziewana do zmiany. Na przykład, woda zamarza i przechodzi do fazy stałej (lodowej), gdy jej temperatura spada poniżej 0 stopni Celsjusza. W tym przypadku odpowiedni parametr porządkowy można zdefiniować jako proporcję cząsteczek wody będących częścią krystalicznej sieci w porównaniu do tych, które pozostają w stanie nieuporządkowanym.
Tradycyjne metody a nowe technologie
W przeszłości badacze polegali na wiedzy z zakresu fizyki, aby ręcznie budować diagramy fazowe, korzystając z teoretycznych podstaw. Było to nie tylko żmudne, zwłaszcza dla złożonych systemów, ale także wprowadzało ludzkie uprzedzenia do rozwiązania.
Zastosowanie uczenia maszynowego
Ostatnio naukowcy zaczęli stosować uczenie maszynowe do budowy klasyfikatorów, które rozwiązują to zadanie, ucząc się klasyfikować statystyki pomiarowe jako pochodzące z określonej fazy systemu fizycznego, podobnie jak modele klasyfikują obraz jako kota lub psa.
Efektywność modeli generatywnych
Naukowcy zademonstrowali, jak modele generatywne mogą być wykorzystane do rozwiązania tego zadania klasyfikacyjnego znacznie bardziej efektywnie i w sposób uwzględniający fizykę.
Język programowania Julia
Język programowania Julia, popularny w obliczeniach naukowych i używany również w wstępnych zajęciach z algebry liniowej na MIT, oferuje wiele narzędzi, które czynią go nieocenionym w budowaniu takich modeli generatywnych, dodaje Schäfer.
Generowanie nowych punktów danych
Modele generatywne, takie jak te, które leżą u podstaw ChatGPT i Dall-E, zazwyczaj działają poprzez oszacowanie rozkładu prawdopodobieństwa danych, które następnie wykorzystują do generowania nowych punktów danych pasujących do rozkładu (np. nowe obrazy kotów podobne do istniejących obrazów kotów).
Symulacje systemów fizycznych
Jednakże, gdy dostępne są symulacje systemu fizycznego przy użyciu sprawdzonych technik naukowych, badacze uzyskują model jego rozkładu prawdopodobieństwa za darmo. Ten rozkład opisuje statystyki pomiarów systemu fizycznego.
Model generatywny i klasyfikator
Zespół badawczy dostrzegł, że ten rozkład prawdopodobieństwa definiuje również model generatywny, na podstawie którego można skonstruować klasyfikator. Wykorzystują model generatywny w standardowych formułach statystycznych do bezpośredniego tworzenia klasyfikatora, zamiast uczyć się go na podstawie próbek, jak to miało miejsce w podejściach dyskryminacyjnych.
Włączenie wiedzy fizycznej do AI
„To naprawdę elegancki sposób na włączenie tego, co wiemy o systemie fizycznym, głęboko w schemat uczenia maszynowego. To idzie znacznie dalej niż tylko przeprowadzanie inżynierii cech na próbkach danych czy proste uprzedzenia indukcyjne,” mówi Schäfer.
Wydajność generatywnego klasyfikatora
Ten generatywny klasyfikator może określić, w jakiej fazie znajduje się system, biorąc pod uwagę pewien parametr, taki jak temperatura czy ciśnienie. A ponieważ badacze bezpośrednio aproksymują rozkłady prawdopodobieństwa leżące u podstaw pomiarów systemu fizycznego, klasyfikator ma wiedzę o systemie.
Lepsza metoda identyfikacji faz
Dzięki temu ich metoda działa lepiej niż inne techniki uczenia maszynowego. Ponadto, ponieważ może działać automatycznie bez potrzeby intensywnego treningu, ich podejście znacząco zwiększa efektywność obliczeniową identyfikacji przejść fazowych.
Plany na przyszłość
W przyszłości zespół MIT chce również badać teoretyczne gwarancje dotyczące liczby pomiarów potrzebnych do skutecznego wykrywania przejść fazowych oraz oszacować ilość obliczeń wymaganą do realizacji tego zadania.
