|
ИИ ответит на сложные вопросы физики
|
|
|
|
Когда вода замерзает, она переходит из жидкой фазы в твердую, что приводит к резкому изменению таких свойств, как плотность и объем. Фазовые переходы в воде настолько распространены, что большинство из нас, вероятно, даже не задумываются о них, но фазовые переходы в новых материалах или сложных физических системах являются важной областью исследований. Чтобы полностью понять эти системы, ученые должны уметь распознавать фазы и обнаруживать переходы между ними. Но как количественно оценить фазовые изменения в неизвестной системе, часто неясно, особенно когда данных недостаточно. Исследователи из Массачусетского технологического института и Базельского университета в Швейцарии применили модели генеративного искусственного интеллекта для решения этой проблемы, разработав новую систему машинного обучения, которая может автоматически отображать фазовые диаграммы для новых физических систем.
|
|
|
|
Их подход к машинному обучению, основанный на физике, более эффективен, чем трудоемкие ручные методы, которые основаны на теоретических знаниях. Важно отметить, что, поскольку их подход использует генеративные модели, для него не требуются огромные наборы данных с маркировкой, используемые в других методах машинного обучения. Такая структура могла бы помочь ученым исследовать термодинамические свойства новых материалов или, например, обнаруживать запутанность в квантовых системах. В конечном счете, этот метод позволил бы ученым самостоятельно обнаруживать неизвестные фазы вещества. "Если у вас новая система с совершенно неизвестными свойствами, как бы вы выбрали, какую наблюдаемую величину изучать? Есть надежда, что, по крайней мере, с помощью инструментов, управляемых данными, вы сможете сканировать новые большие системы автоматизированным способом, и это укажет вам на важные изменения в системе.
|
|
|
"Это может стать инструментом в процессе автоматизированного научного обнаружения новых, экзотических свойств фаз", - говорит Франк Шефер, постдок Лаборатории Julia в Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) и соавтор статьи, посвященной этому подходу. К Шеферу в работе присоединились первый автор Джулиан Арнольд, аспирант Базельского университета; Алан Эдельман, профессор прикладной математики математического факультета и руководитель лаборатории Julia; и старший автор Кристоф Брудер, профессор физического факультета Базельского университета. Исследование опубликовано в Physical Review Letters. В то время как превращение воды в лед может быть одним из наиболее очевидных примеров фазового перехода, более экзотические фазовые переходы, например, когда материал превращается из обычного проводника в сверхпроводник, представляют большой интерес для ученых.
|
|
|
|
Эти переходы можно обнаружить, определив "параметр порядка" - величину, которая важна и которая, как ожидается, изменится. Например, вода замерзает и переходит в твердую фазу (лед), когда ее температура падает ниже 0°C. В этом случае соответствующий параметр упорядоченности можно было бы определить с точки зрения соотношения молекул воды, которые являются частью кристаллической решетки, по сравнению с теми, которые остаются в неупорядоченном состоянии. В прошлом исследователи полагались на опыт физиков при построении фазовых диаграмм вручную, опираясь на теоретические знания, чтобы знать, какие параметры порядка важны. Это не только утомительно для сложных систем и, возможно, невозможно для неизвестных систем с новым поведением, но и привносит в решение человеческий фактор. Совсем недавно исследователи начали использовать машинное обучение для создания дискриминантных классификаторов, которые могут решить эту задачу, научившись классифицировать статистику измерений как относящуюся к определенной фазе физической системы, точно так же, как такие модели классифицируют изображение как кошку или собаку.
|
|
|
|
Исследователи Массачусетского технологического института продемонстрировали, как можно использовать генеративные модели для гораздо более эффективного решения этой задачи классификации с учетом физических данных. Язык программирования Julia, популярный язык научных вычислений, который также используется на вводных занятиях по линейной алгебре в Массачусетском технологическом институте, предлагает множество инструментов, которые делают его незаменимым для построения таких генерирующих моделей, добавляет Шефер. Генерирующие модели, подобные тем, что лежат в основе ChatGPT и Dall-E, обычно работают путем оценки распределения вероятностей некоторых данных, которые они используют для создания новых точек данных, соответствующих распределению (например, новых изображений кошек, которые похожи на существующие изображения кошек).
|
|
|
|
Однако, когда доступно моделирование физической системы с использованием проверенных научных методов, исследователи получают модель распределения вероятности бесплатно. Это распределение описывает статистику измерений физической системы. Команда Массачусетского технологического института пришла к выводу, что это распределение вероятностей также определяет генеративную модель, на основе которой может быть построен классификатор. Они подключают генеративную модель к стандартным статистическим формулам для непосредственного построения классификатора, а не изучают его по выборкам, как это было сделано при использовании дискриминантных подходов. "Это действительно отличный способ интегрировать то, что вы знаете о своей физической системе, в схему машинного обучения. Это выходит далеко за рамки простого проектирования функций на основе выборок данных или простых индуктивных искажений", - говорит Шефер.
|
|
|
|
Этот обобщающий классификатор может определить, в какой фазе находится система, учитывая некоторые параметры, такие как температура или давление. А поскольку исследователи непосредственно аппроксимируют распределения вероятностей, лежащие в основе измерений физической системы, классификатор обладает системными знаниями. Это позволяет их методу работать лучше, чем другим методам машинного обучения. А поскольку он может работать автоматически, без необходимости в длительном обучении, их подход значительно повышает вычислительную эффективность идентификации фазовых переходов. В конце концов, подобно тому, как можно попросить ChatGPT решить математическую задачу, исследователи могут задать генеративному классификатору вопросы типа "относится ли этот образец к фазе I или фазе II?" или "был ли этот образец получен при высокой или низкой температуре?".
|
|
|
|
Ученые могли бы также использовать этот подход для решения различных задач бинарной классификации в физических системах, возможно, для обнаружения запутанности в квантовых системах (является ли состояние запутанным или нет?) или определения того, какая теория A или B лучше всего подходит для решения конкретной проблемы. Они также могли бы использовать этот подход для лучшего понимания и совершенствования крупных языковых моделей, таких как ChatGPT, определяя, как следует настроить определенные параметры, чтобы чат-бот выдавал наилучшие результаты. В будущем исследователи также хотят изучить теоретические гарантии относительно того, сколько измерений им потребуется для эффективного обнаружения фазовых переходов, и оценить объем необходимых вычислений.
|
|
|
|
Источник
|
