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 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 генеративные модели искусственного интеллекта к этой проблеме, разработав новую структуру машинного обучения, которая может автоматически отображать фазовые диаграммы для новых физических систем.
Их подход к машинному обучению с учетом физики более эффективен, чем трудоемкие ручные методы, основанные на теоретических знаниях. Важно отметить, что, поскольку их подход использует генеративные модели, он не требует огромных размеченных наборов обучающих данных, используемых в других методах машинного обучения.
Такая структура могла бы помочь ученым исследовать термодинамические свойства новых материалов или, например, обнаружить запутанность в квантовых системах. В конечном счете, этот метод может позволить ученым автономно открывать неизвестные фазы материи.
«Если у вас есть новая система с полностью неизвестными свойствами, как бы вы выбрали наблюдаемую величину для изучения? Есть надежда, что, по крайней мере, с помощью инструментов, управляемых данными, вы сможете сканировать большие новые системы автоматически, и это укажет вам на важные изменения в системе. Это может стать инструментом автоматизированного научного открытия новых, экзотических свойств фаз», — говорит Франк Шефер, постдок в лаборатории Джулии Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) и соавтор статьи о этот подход.
В работе над статьей к Шеферу присоединяются первый автор Джулиан Арнольд, аспирант Базельского университета; Алан Эдельман, профессор прикладной математики кафедры математики и руководитель лаборатории Джулии; и старший автор Кристоф Брудер, профессор кафедры физики Базельского университета. Исследование опубликовано сегодня в Письма о физических обзорах.
Обнаружение фазовых переходов с помощью ИИ
Хотя переход воды в лед может быть одним из наиболее очевидных примеров фазового перехода, более экзотические фазовые изменения, 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, как ожидается, изменится. Например, вода замерзает и переходит в твердую фазу (лед), когда ее температура падает ниже 0 градусов Цельсия. В этом случае подходящий параметр порядка можно определить как долю молекул воды, входящих в кристаллическую решетку, по сравнению с теми, которые остаются в неупорядоченном состоянии.
В прошлом исследователи полагались на знания физики при построении фазовых диаграмм вручную, опираясь на теоретическое понимание, чтобы понять, какие параметры порядка важны. Это не только утомительно для сложных систем и, возможно, невозможно для неизвестных систем с новым поведением, но также вносит в решение человеческую предвзятость.
Совсем недавно исследователи начали использовать машинное обучение для создания дискриминационных классификаторов, которые могут решить эту задачу, научившись классифицировать статистику измерений как исходящую из определенной фазы физической системы, точно так же, как такие модели классифицируют изображение кошки или собаки.
Исследователи Массачусетского технологического института продемонстрировали, как можно использовать генеративные модели для более эффективного решения этой задачи классификации и с учетом физики.
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 генеративных моделей, добавляет Шефер.
Генеративные модели, подобные тем, которые лежат в основе ChatGPT и Dall-E, обычно работают путем оценки вероятностного распределения некоторых данных, которые они используют для создания новых точек данных, соответствующих распределению (например, новых изображений кошек, похожих на существующие изображения кошек). .
Однако, когда доступно моделирование физической системы с использованием проверенных научных методов, исследователи получают модель ее распределения вероятности бесплатно. Это распределение описывает статистику измерений физической системы.
Более знающая модель
По мнению команды MIT, это распределение вероятностей также определяет генеративную модель, на основе которой можно построить классификатор. Они подключают генеративную модель к стандартным статистическим формулам, чтобы напрямую построить классификатор, а не изучать его на выборках, как это было сделано с дискриминативными подходами.
«Это действительно хороший способ включить то, что вы знаете о вашей физической системе, глубоко в вашу схему машинного обучения. Это выходит далеко за рамки простого проектирования функций на образцах данных или простых индуктивных смещений», — говорит Шефер.
Этот генеративный классификатор может определить, в какой фазе находится система по некоторому параметру, например температуре или давлению. А поскольку исследователи напрямую аппроксимируют распределения вероятностей, лежащие в основе измерений физической системы, классификатор обладает системными знаниями.
Это позволяет их методу работать лучше, чем другие методы машинного обучения. А поскольку он может работать автоматически без необходимости тщательного обучения, их подход значительно повышает вычислительную эффективность идентификации фазовых переходов.
В конце концов, подобно тому, как можно попросить ChatGPT решить математическую задачу, исследователи могут задать вопросы генеративному классификатору, например: «Относится ли этот образец к фазе I или фазе II?» или «Этот образец был получен при высокой или низкой температуре?»
Ученые также могли бы использовать этот подход для решения различных задач двоичной классификации в физических системах, возможно, для обнаружения запутанности в квантовых системах (запутано состояние или нет?) или для определения того, какая теория A или B лучше всего подходит для решения конкретной проблемы. Они также могли бы использовать этот подход, чтобы лучше понимать и улучшать большие языковые модели, такие как ChatGPT, путем определения того, как следует настраивать определенные параметры, чтобы чат-бот давал 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.
Эта работа частично финансировалась Швейцарским национальным научным фондом, Швейцарским посевным фондом MIT Lockheed Martin и Международными научно-техническими инициативами MIT.