Da Orsina Fiorentini 
Quando l’acqua congela, passa dallo stato liquido allo stato solido, provocando un cambiamento radicale in proprietà come densità e volume. Le transizioni di fase nell’acqua sono così comuni che la maggior parte di noi probabilmente non ci pensa, ma le transizioni di fase in nuovi materiali o sistemi fisici complessi sono un’importante area di studio.
Per comprendere appieno questi sistemi, gli scienziati devono essere in grado di riconoscere le fasi e rilevare le transizioni tra di loro. Ma come misurare i cambiamenti di fase in un sistema sconosciuto spesso non è chiaro, soprattutto quando i dati sono scarsi.
I ricercatori del MIT e dell’Università di Basilea in Svizzera hanno applicato modelli di intelligenza artificiale generativa a questo problema, sviluppando un nuovo quadro di apprendimento automatico in grado di disegnare automaticamente diagrammi di fase per nuovi sistemi fisici.
Un approccio di machine learning basato sulla fisica è più efficiente rispetto a laboriose tecniche manuali che si basano su competenze teoriche. È importante sottolineare che, poiché il loro approccio sfrutta modelli generativi, non richiede enormi set di dati di addestramento etichettati utilizzati in altre tecniche di machine learning.
Un simile quadro potrebbe aiutare gli scienziati a studiare le proprietà termodinamiche di nuovi materiali o a scoprire l’entanglement nei sistemi quantistici, ad esempio. In definitiva, questa tecnica potrebbe consentire agli scienziati di scoprire in modo indipendente fasi sconosciute della materia.
“Se hai un nuovo sistema con proprietà completamente sconosciute, come scegli la quantità osservabile da studiare La speranza, almeno con strumenti basati sui dati, è che tu possa esaminare nuovi grandi sistemi in modo automatizzato, e questo indicherà? Un postdoc nel laboratorio di Julia presso il Computer Science and Artificial Intelligence Laboratory (CSAIL) ha dichiarato: “Questo potrebbe essere uno strumento sulla strada verso la scoperta scientifica automatizzata di proprietà nuove e bizzarre degli oggetti e ha scritto un articolo su questo approccio”.
Insieme a Schäfer nell’articolo ci sono il primo autore Julian Arnold, uno studente laureato presso l’Università di Basilea; Alan Edelman, professore di matematica applicata al Dipartimento di Matematica e direttore del Julia Lab; L’autore senior, Christoph Broder, è professore presso il Dipartimento di Fisica dell’Università di Basilea. La ricerca è Pubblicato oggi Nelle lettere di revisione fisica.
Rilevamento delle transizioni di fase utilizzando l’intelligenza artificiale
Mentre la trasformazione dell’acqua in ghiaccio può essere tra gli esempi più evidenti di cambiamento di fase, cambiamenti di fase più esotici, come quando un materiale si trasforma da un normale conduttore a un superconduttore, sono di grande interesse per gli scienziati.
Questi cambiamenti possono essere rilevati identificando un “parametro della domanda”, ovvero la quantità che è importante e che si prevede cambierà. Ad esempio, l’acqua ghiaccia e si trasforma in uno stato solido (ghiaccio) quando la sua temperatura scende sotto 0°C. In questo caso, un parametro d’ordine appropriato può essere definito in termini di proporzione di molecole d’acqua che fanno parte del reticolo cristallino rispetto a quelle che rimangono in uno stato disordinato.
In passato, i ricercatori si affidavano alle competenze fisiche per costruire manualmente i diagrammi di fase, basandosi sulla comprensione teorica per capire quali parametri d’ordine fossero importanti. Ciò non solo è noioso per i sistemi complessi e forse impossibile per i sistemi sconosciuti con comportamenti nuovi, ma introduce anche il pregiudizio umano nella soluzione.
Recentemente, i ricercatori hanno iniziato a utilizzare l’apprendimento automatico per costruire classificatori discriminativi in grado di risolvere questo compito imparando a classificare una misura statistica come proveniente da una fase particolare di un sistema fisico, nello stesso modo in cui tali modelli classificano un’immagine come un gatto o un gatto. un cane.
I ricercatori del MIT hanno dimostrato come i modelli generativi possano essere utilizzati per risolvere questo compito di classificazione in modo più efficiente e basato sulla fisica.
IL Linguaggio di programmazione JuliaUn linguaggio popolare per il calcolo scientifico, utilizzato anche nelle lezioni introduttive di algebra lineare del MIT, che offre diversi strumenti che lo rendono prezioso per la costruzione di tali modelli generativi, aggiunge Schiffer.
I modelli generativi, come quelli che costituiscono la base di ChatGPT e Dall-E, in genere funzionano stimando la distribuzione di probabilità di alcuni dati, che utilizzano per generare nuovi punti dati che si adattano alla distribuzione (come immagini di nuovi gatti simili a immagini dei gatti esistenti). .
Tuttavia, quando è disponibile una simulazione di un sistema fisico utilizzando tecniche scientifiche collaudate, i ricercatori ottengono gratuitamente un modello della sua distribuzione di probabilità. Questa distribuzione descrive le statistiche di misurazione del sistema fisico.
Un modello più familiare
L’intuizione del team del MIT è che questa distribuzione di probabilità definisce anche un modello generativo su cui può essere costruito un classificatore. Hanno inserito il modello generativo in formule statistiche standard per creare direttamente un classificatore invece di apprenderlo dai campioni, come accadeva con i metodi discriminativi.
“Questo è davvero un ottimo modo per integrare profondamente qualcosa che conosci sul tuo sistema fisico nel tuo schema di apprendimento automatico”, afferma Schiffer. “Va oltre la semplice progettazione di funzionalità sui campioni di dati o semplici pregiudizi induttivi”.
Questo classificatore generativo può determinare in quale fase si trova un sistema dati alcuni parametri, come la temperatura o la pressione. Poiché i ricercatori approssimano direttamente le distribuzioni di probabilità alla base delle misurazioni dal sistema fisico, il classificatore ha conoscenza del sistema.
Ciò consente al loro metodo di funzionare meglio di altre tecniche di apprendimento automatico. Poiché può funzionare automaticamente senza richiedere una formazione approfondita, il loro approccio migliora notevolmente l’efficienza computazionale nel determinare le transizioni di fase.
Alla fine della giornata, proprio come si potrebbe chiedere a ChatGPT di risolvere un problema di matematica, i ricercatori possono porre domande al classificatore generativo come “Questo campione appartiene alla Fase 1 o alla Fase 2?” o “Questo campione è stato creato a una temperatura alta o bassa?”
Gli scienziati possono anche utilizzare questo approccio per risolvere vari compiti di classificazione binaria nei sistemi fisici, magari per rilevare l’entanglement nei sistemi quantistici (lo stato è entanglement o no?) o determinare se la teoria A o B è più adatta a risolvere un particolare problema. Possono anche utilizzare questo approccio per comprendere meglio e ottimizzare modelli linguistici di grandi dimensioni come ChatGPT determinando come regolare determinati parametri in modo che il chatbot fornisca il miglior risultato.
In futuro, i ricercatori vogliono anche studiare le garanzie teoriche riguardo al numero di misurazioni di cui avrebbero bisogno per rilevare efficacemente le transizioni di fase e stimare la quantità di calcoli che potrebbero richiedere.
Questo lavoro è stato finanziato, in parte, dal Fondo nazionale svizzero per la ricerca scientifica, dal Fondo Lockheed Martin Seed del MIT Svizzera e dalle Iniziative scientifiche e tecnologiche internazionali del MIT.