Inteligencia artificial utilizada por los científicos para abordar cuestiones físicas difíciles

Cuando el agua se congela, pasa de un estado líquido a un estado sólido, provocando un cambio radical en propiedades como la densidad y el volumen. Las transiciones de fase en el agua son tan comunes que la mayoría de nosotros probablemente no pensamos en ellas, pero las transiciones de fase en nuevos materiales o sistemas físicos complejos son un área de estudio importante.

Para comprender completamente estos sistemas, los científicos deben poder reconocer las fases y detectar transiciones entre ellas. Pero a menudo no está claro cómo medir los cambios de fase en un sistema desconocido, especialmente cuando los datos son escasos.

Investigadores del MIT y la Universidad de Basilea en Suiza han aplicado modelos de IA generativa a este problema, desarrollando un nuevo marco de aprendizaje automático que puede dibujar automáticamente diagramas de fases para sistemas físicos novedosos.

Un enfoque de aprendizaje automático basado en la física es más eficiente que las laboriosas técnicas manuales que se basan en conocimientos teóricos. Es importante destacar que, debido a que su enfoque aprovecha los modelos generativos, no requiere conjuntos de datos de entrenamiento masivos y etiquetados utilizados en otras técnicas de aprendizaje automático.

Un marco de este tipo podría ayudar a los científicos a estudiar las propiedades termodinámicas de nuevos materiales o descubrir el entrelazamiento en sistemas cuánticos, por ejemplo. En última instancia, esta técnica podría permitir a los científicos descubrir de forma independiente fases desconocidas de la materia.

“Si tienes un nuevo sistema con propiedades completamente desconocidas, ¿cómo eliges la cantidad observable para estudiar? La esperanza, al menos con herramientas basadas en datos, es que puedas estudiar grandes sistemas nuevos de forma automatizada, y eso indicará. Un postdoctorado en el laboratorio de Julia en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) dijo: «Esto podría ser una herramienta en el camino hacia el descubrimiento científico automatizado de propiedades novedosas y extravagantes de los objetos y fue coautor de un artículo sobre este enfoque».

READ  Una caseta de perro choca con una roca espacial y un meteorito se vende en una subasta decepcionante

Junto a Schäfer en el artículo se encuentran el primer autor Julian Arnold, estudiante de posgrado de la Universidad de Basilea; Alan Edelman, profesor de matemáticas aplicadas en el Departamento de Matemáticas y director del Julia Lab; El autor principal, Christoph Broder, es profesor del Departamento de Física de la Universidad de Basilea. La búsqueda es Publicado hoy En cartas de revisión física.

Detección de transiciones de fase mediante inteligencia artificial

Si bien la transformación del agua en hielo puede estar entre los ejemplos más obvios de cambio de fase, cambios de fase más exóticos, como cuando un material se transforma de un conductor ordinario a un superconductor, son de gran interés para los científicos.

Estos cambios pueden detectarse identificando un “parámetro de demanda”, que es la cantidad importante y que se espera que cambie. Por ejemplo, el agua se congela y pasa a estado sólido (hielo) cuando su temperatura desciende por debajo de 0°C. En este caso, se puede definir un parámetro de orden apropiado en términos de la proporción de moléculas de agua que forman parte de la red cristalina versus aquellas que permanecen en un estado desordenado.

En el pasado, los investigadores confiaban en la experiencia física para construir diagramas de fases a mano, basándose en la comprensión teórica para determinar qué parámetros de orden eran importantes. Esto no sólo es tedioso para sistemas complejos y quizás imposible para sistemas desconocidos con comportamientos novedosos, sino que también introduce un sesgo humano en la solución.

Recientemente, los investigadores han comenzado a utilizar el aprendizaje automático para construir clasificadores discriminativos que puedan resolver esta tarea aprendiendo a clasificar una estadística de medición como proveniente de una fase particular de un sistema físico, de la misma manera que tales modelos clasifican una imagen como un gato o un perro.

READ  Uso de circuito cerrado en embarazos con diabetes tipo 1

Los investigadores del MIT han demostrado cómo se pueden utilizar modelos generativos para resolver esta tarea de clasificación de manera más eficiente y basada en la física.

el lenguaje de programación juliaSchiffer añade que es un lenguaje popular para la informática científica, que también se utiliza en las clases introductorias de álgebra lineal del MIT, y ofrece varias herramientas que lo hacen invaluable para construir tales modelos generativos.

Los modelos generativos, como los que forman la base de ChatGPT y Dall-E, normalmente funcionan estimando la distribución de probabilidad de algunos datos, que utilizan para generar nuevos puntos de datos que se ajustan a la distribución (como imágenes de nuevos gatos similares a imágenes de gatos existentes). .

Sin embargo, cuando se dispone de una simulación de un sistema físico utilizando técnicas científicas probadas y verdaderas, los investigadores obtienen un modelo de su distribución de probabilidad de forma gratuita. Esta distribución describe las estadísticas de medición del sistema físico.

Un modelo más familiar

La idea del equipo del MIT es que esta distribución de probabilidad también define un modelo generativo sobre el cual se puede construir un clasificador. Conectaron el modelo generativo a fórmulas estadísticas estándar para crear un clasificador directamente en lugar de aprenderlo de muestras, como sucedió con los métodos discriminativos.

«Esta es una manera realmente excelente de integrar profundamente algo que usted sabe sobre su sistema físico en su esquema de aprendizaje automático», dice Schiffer. «Va más allá de simplemente hacer ingeniería de características en sus muestras de datos o simples sesgos inductivos».

Este clasificador generativo puede determinar en qué fase se encuentra un sistema dados algunos parámetros, como la temperatura o la presión. Debido a que los investigadores aproximan directamente las distribuciones de probabilidad subyacentes a las mediciones del sistema físico, el clasificador tiene conocimiento del sistema.

READ  La física se hace realidad: el enemigo del enemigo es en realidad tu amigo

Esto permite que su método funcione mejor que otras técnicas de aprendizaje automático. Debido a que puede operar automáticamente sin requerir una capacitación extensa, su enfoque mejora en gran medida la eficiencia computacional para determinar las transiciones de fase.

Al final del día, así como uno podría pedirle a ChatGPT que resuelva un problema matemático, los investigadores pueden hacerle al clasificador generativo preguntas como «¿Esta muestra pertenece a la Fase 1 o a la Fase 2?» o «¿Esta muestra se creó a una temperatura alta o baja?»

Los científicos también pueden utilizar este enfoque para resolver diversas tareas de clasificación binaria en sistemas físicos, tal vez para detectar entrelazamientos en sistemas cuánticos (¿el estado está entrelazado o no?) o determinar si la teoría A o B es más adecuada para resolver un problema particular. También pueden utilizar este enfoque para comprender y optimizar mejor modelos de lenguaje grandes como ChatGPT determinando cómo ajustar ciertos parámetros para que el chatbot ofrezca el mejor resultado.

En el futuro, los investigadores también quieren estudiar garantías teóricas sobre el número de mediciones que necesitarían para detectar eficazmente las transiciones de fase y estimar la cantidad de cálculos que podrían requerir.

Este trabajo fue financiado, en parte, por la Fundación Nacional Suiza para la Ciencia, el Fondo Semilla Lockheed Martin del MIT Suiza y las Iniciativas Internacionales de Ciencia y Tecnología del MIT.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *