دانشمندان از هوش مصنوعی مولد برای پاسخ به سوالات پیچیده در فیزیک استفاده می کنند

محققان از هوش مصنوعی مولد برای توسعه تکنیکی مبتنی بر فیزیک برای طبقه‌بندی انتقال فاز در مواد یا سیستم‌های فیزیکی استفاده کردند که بسیار کارآمدتر از رویکردهای یادگیری ماشینی موجود است. این کار توسط محققان MIT و دانشگاه بازل هدایت شد.
محققان از هوش مصنوعی مولد برای توسعه تکنیکی مبتنی بر فیزیک برای طبقه‌بندی انتقال فاز در مواد یا سیستم‌های فیزیکی استفاده کردند که بسیار کارآمدتر از رویکردهای یادگیری ماشینی موجود است. این کار توسط محققان MIT و دانشگاه بازل هدایت شد.


هنگامی که آب یخ می زند، از فاز مایع به فاز جامد تبدیل می شود و در نتیجه تغییرات شدیدی در خواصی مانند چگالی و حجم ایجاد می شود. انتقال فاز در آب بسیار رایج است که احتمالاً اکثر ما حتی به آن فکر نمی کنیم، اما انتقال فاز در مواد جدید یا سیستم های فیزیکی پیچیده یک حوزه مهم مطالعه است.

برای درک کامل این سیستم ها، دانشمندان باید قادر به تشخیص فازها و تشخیص انتقال بین آنها باشند. اما چگونگی تعیین کمیت تغییرات فاز در یک سیستم ناشناخته اغلب مشخص نیست، به خصوص زمانی که داده ها کمیاب هستند.

محققان MIT و دانشگاه بازل در سوئیس از مدل‌های هوش مصنوعی مولد برای این مشکل استفاده کردند و چارچوب یادگیری ماشینی جدیدی را توسعه دادند که می‌تواند به طور خودکار نمودارهای فاز را برای سیستم‌های فیزیکی جدید ترسیم کند.

رویکرد یادگیری ماشینی آنها که از فیزیک آگاه است، کارآمدتر از تکنیک‌های پر زحمت و دستی است که بر تخصص نظری تکیه دارند. نکته مهم، از آنجایی که رویکرد آن‌ها از مدل‌های مولد استفاده می‌کند، نیازی به مجموعه داده‌های آموزشی بزرگ و برچسب‌گذاری‌شده که در سایر تکنیک‌های یادگیری ماشینی استفاده می‌شوند، ندارد.

چنین چارچوبی می تواند به دانشمندان کمک کند تا خواص ترمودینامیکی مواد جدید را بررسی کنند یا مثلاً درهم تنیدگی را در سیستم های کوانتومی تشخیص دهند. در نهایت، این تکنیک می تواند این امکان را برای دانشمندان فراهم کند که فازهای ناشناخته ماده را به طور مستقل کشف کنند.

«اگر سیستم جدیدی با ویژگی‌های کاملاً ناشناخته دارید، چگونه کمیت قابل مشاهده را برای مطالعه انتخاب می‌کنید؟ حداقل با ابزارهای مبتنی بر داده، امید این است که بتوانید سیستم های جدید بزرگ را به روشی خودکار اسکن کنید و تغییرات مهمی را در سیستم به شما نشان دهد. فرانک شافر، یک فوق دکتر در آزمایشگاه جولیا در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و یکی از نویسندگان مقاله ای درباره این رویکرد.

نویسنده اول جولیان آرنولد، دانشجوی کارشناسی ارشد در دانشگاه بازل، به Schäfer در این مقاله می‌پیوندند. آلن ادلمن، استاد ریاضیات کاربردی در گروه ریاضیات و رهبر آزمایشگاه جولیا. و نویسنده ارشد کریستف برودر، استاد گروه فیزیک در دانشگاه بازل. این تحقیق امروز در Physical Review Letters منتشر شده است.

تشخیص انتقال فاز با استفاده از هوش مصنوعی

در حالی که انتقال آب به یخ ممکن است یکی از بارزترین نمونه‌های تغییر فاز باشد، تغییرات فاز عجیب‌تر، مانند زمانی که یک ماده از یک رسانای معمولی به یک ابررسانا تبدیل می‌شود، مورد علاقه دانشمندان است.

این انتقال ها را می توان با شناسایی یک «پارامتر سفارش» تشخیص داد، کمیتی که مهم است و انتظار می رود تغییر کند. به عنوان مثال، وقتی دمای آب به زیر صفر درجه سانتیگراد می رسد، یخ می زند و به فاز جامد (یخ) تبدیل می شود. در این مورد، یک پارامتر ترتیب مناسب می‌تواند بر حسب نسبت مولکول‌های آب که بخشی از شبکه بلوری هستند در مقابل مولکول‌هایی که در حالت بی‌نظم باقی می‌مانند، تعریف شود.

در گذشته، محققان برای ساختن نمودارهای فاز به صورت دستی بر تخصص فیزیک تکیه می کردند و از درک نظری استفاده می کردند تا بدانند کدام پارامترهای ترتیب مهم هستند. این نه تنها برای سیستم های پیچیده خسته کننده و شاید برای سیستم های ناشناخته با رفتارهای جدید غیرممکن است، بلکه سوگیری انسان را نیز وارد راه حل می کند.

اخیراً، محققان شروع به استفاده از یادگیری ماشینی برای ساخت طبقه‌بندی‌کننده‌های متمایز کرده‌اند که می‌توانند این کار را با یادگیری طبقه‌بندی آمار اندازه‌گیری به‌عنوان حاصل از مرحله خاصی از سیستم فیزیکی حل کنند، به همان روشی که چنین مدل‌هایی تصویر را به عنوان گربه یا سگ طبقه‌بندی می‌کنند.

محققان MIT نشان دادند که چگونه می‌توان از مدل‌های مولد برای حل این کار طبقه‌بندی بسیار کارآمدتر و به شیوه‌ای با اطلاعات فیزیک استفاده کرد.

Schäfer اضافه می‌کند که زبان برنامه‌نویسی جولیا، یک زبان محبوب برای محاسبات علمی که در کلاس‌های جبر خطی مقدماتی MIT نیز استفاده می‌شود، ابزارهای زیادی را ارائه می‌دهد که آن را برای ساخت چنین مدل‌های تولیدی ارزشمند می‌کند.

مدل‌های تولیدی، مانند مدل‌هایی که زیربنای ChatGPT و Dall-E هستند، معمولاً با تخمین توزیع احتمال برخی از داده‌ها کار می‌کنند که از آن برای تولید نقاط داده جدید متناسب با توزیع استفاده می‌کنند (مانند تصاویر جدید گربه که مشابه تصاویر گربه‌های موجود هستند). .

با این حال، زمانی که شبیه‌سازی‌های یک سیستم فیزیکی با استفاده از تکنیک‌های علمی آزمایش‌شده و واقعی در دسترس باشد، محققان مدلی از توزیع احتمال آن را به صورت رایگان دریافت می‌کنند. این توزیع آمار اندازه گیری سیستم فیزیکی را توصیف می کند.

یک مدل آگاه تر

بینش تیم MIT این است که این توزیع احتمال همچنین یک مدل تولیدی را تعریف می‌کند که بر اساس آن یک طبقه‌بندی می‌تواند ساخته شود. آن‌ها مدل تولیدی را به فرمول‌های آماری استاندارد متصل می‌کنند تا به‌جای یادگیری آن از نمونه‌ها، به‌جای یادگیری آن از نمونه‌ها، مستقیماً یک طبقه‌بندی کننده بسازند، همانطور که با رویکردهای متمایز انجام شد.

"این یک روش واقعا خوب برای ترکیب چیزی است که در مورد سیستم فیزیکی خود می دانید در اعماق طرح یادگیری ماشینی شما. Schäfer می‌گوید، این امر بسیار فراتر از انجام مهندسی ویژگی‌ها بر روی نمونه‌های داده یا سوگیری‌های استقرایی ساده است.

این طبقه‌بندی کننده مولد می‌تواند تعیین کند که سیستم در چه فازی قرار دارد، پارامترهایی مانند دما یا فشار. و از آنجایی که محققان به طور مستقیم توزیع های احتمالی زیربنای اندازه گیری ها را از سیستم فیزیکی تقریب می زنند، طبقه بندی کننده دانش سیستمی دارد.

این روش آنها را قادر می سازد تا بهتر از سایر تکنیک های یادگیری ماشینی عمل کند. و از آنجا که می تواند بدون نیاز به آموزش گسترده به طور خودکار کار کند، رویکرد آنها به طور قابل توجهی کارایی محاسباتی شناسایی انتقال فاز را افزایش می دهد.

در پایان روز، مانند روشی که می‌توان از ChatGPT برای حل یک مسئله ریاضی بخواهد، محققان می‌توانند از طبقه‌بندی‌کننده مولد سوالاتی مانند «این نمونه متعلق به فاز I یا فاز II» بپرسند؟ یا "این نمونه در دمای بالا یا دمای پایین تولید شده است؟"

دانشمندان همچنین می‌توانند از این رویکرد برای حل وظایف طبقه‌بندی دوتایی مختلف در سیستم‌های فیزیکی، احتمالاً برای تشخیص درهم‌تنیدگی در سیستم‌های کوانتومی (آیا حالت درهم‌تنیده است یا نه؟) یا تعیین اینکه آیا نظریه A یا B برای حل یک مشکل خاص مناسب‌تر هستند، استفاده کنند. آنها همچنین می توانند از این رویکرد برای درک بهتر و بهبود مدل های زبان بزرگ مانند ChatGPT با شناسایی اینکه چگونه پارامترهای خاصی باید تنظیم شوند تا ربات چت بهترین خروجی ها را ارائه دهد، استفاده کنند.

در آینده، محققان همچنین می‌خواهند ضمانت‌های نظری را در مورد تعداد اندازه‌گیری‌هایی که برای تشخیص مؤثر انتقال فاز و تخمین میزان محاسبات مورد نیاز نیاز دارند، مطالعه کنند.

این کار تا حدی توسط بنیاد ملی علوم سوئیس، صندوق بذر لاکهید مارتین MIT-سوئیس و ابتکارات علمی و فناوری بین‌المللی MIT تامین شده است.


منبع : MIT

🔹این مقاله به صورت ماشینی، توسط Aiticle ترجمه شده و ممکنه ایراداتی داشته باشه، فیدبک‌های شما به ما در جهت بهبود سیستممون خیلی کمک میکنه :) لطفا نظراتتون رو باهامون به اشتراک بگذارین.