Bilim adamlarının zor fizik sorgularını ele almak için kullandığı yapay zeka

Su donduğunda sıvı halden katı hale geçerek yoğunluk ve hacim gibi özelliklerde köklü bir değişikliğe neden olur. Sudaki faz geçişleri o kadar yaygındır ki çoğumuz muhtemelen bunları düşünmüyoruz ancak yeni malzemelerdeki veya karmaşık fiziksel sistemlerdeki faz geçişleri önemli bir çalışma alanıdır.

Bu sistemleri tam olarak anlamak için bilim adamlarının aşamaları tanıyabilmesi ve aralarındaki geçişleri tespit edebilmesi gerekir. Ancak bilinmeyen bir sistemdeki faz değişikliklerinin nasıl ölçüleceği, özellikle verilerin az olduğu durumlarda genellikle belirsizdir.

MIT ve İsviçre'deki Basel Üniversitesi'nden araştırmacılar, bu soruna üretken yapay zeka modelleri uygulayarak yeni fiziksel sistemler için otomatik olarak faz diyagramları çizebilen yeni bir makine öğrenimi çerçevesi geliştirdiler.

Fizik tabanlı bir makine öğrenimi yaklaşımı, teorik uzmanlığa dayanan zahmetli manuel tekniklerden daha verimlidir. Daha da önemlisi, yaklaşımları üretken modellerden yararlandığından, diğer makine öğrenimi tekniklerinde kullanılan çok büyük, etiketli eğitim veri kümelerine ihtiyaç duymaz.

Böyle bir çerçeve, bilim adamlarının örneğin yeni malzemelerin termodinamik özelliklerini incelemesine veya kuantum sistemlerindeki dolaşıklığı keşfetmesine yardımcı olabilir. Sonuçta bu teknik, bilim adamlarının maddenin bilinmeyen evrelerini bağımsız olarak keşfetmelerine olanak tanıyabilir.

“Tamamen bilinmeyen özelliklere sahip yeni bir sisteminiz varsa, incelenecek gözlemlenebilir miktarı nasıl seçersiniz? En azından veriye dayalı araçlarla, büyük yeni sistemleri otomatik bir şekilde inceleyebilmeniz umuduyla, bu şunu gösterecektir: Julia'nın Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı'ndaki (CSAIL) laboratuvarında doktora sonrası araştırmacı şunları söyledi: “Bu, nesnelerin yeni ve ilginç özelliklerinin otomatik bilimsel keşfine giden yolda bir araç olabilir ve bu yaklaşımla ilgili bir makalenin ortak yazarıdır.”

Makalede Schäfer'e katılanlar arasında Basel Üniversitesi'nde yüksek lisans öğrencisi olan ilk yazar Julian Arnold; Matematik Bölümü'nde uygulamalı matematik profesörü ve Julia Laboratuvarı başkanı Alan Edelman; Kıdemli yazar Christoph Broder, Basel Üniversitesi Fizik Bölümü'nde profesördür. Arama: Bugün yayınlandı Fiziksel inceleme mektuplarında.

Yapay zeka kullanarak faz geçişlerini tespit etme

Suyun buza dönüşümü, faz değişiminin en belirgin örnekleri arasında yer alsa da, bir malzemenin sıradan bir iletkenden süperiletkene dönüşmesi gibi daha egzotik faz değişiklikleri, bilim adamlarının büyük ilgisini çekiyor.

Bu değişimler, önemli olan ve değişmesi beklenen miktar olan “talep parametresi” tanımlanarak tespit edilebilir. Örneğin su, sıcaklığı 0°C'nin altına düştüğünde donar ve katı hale (buz) dönüşür. Bu durumda, uygun bir düzen parametresi, kristal kafesin bir parçasını oluşturan su moleküllerinin, düzensiz durumda kalanlara karşı oranı cinsinden tanımlanabilir.

Geçmişte araştırmacılar, faz diyagramlarını elle oluşturmak için fiziksel uzmanlığa güveniyordu; hangi sıra parametrelerinin önemli olduğunu anlamak için teorik anlayışa güveniyorlardı. Bu sadece karmaşık sistemler için sıkıcı ve belki de yeni davranışlara sahip bilinmeyen sistemler için imkansız olmakla kalmıyor, aynı zamanda çözüme insan önyargısını da katıyor.

Son zamanlarda araştırmacılar, bir ölçüm istatistiğini fiziksel bir sistemin belirli bir aşamasından geliyormuş gibi sınıflandırmayı öğrenerek bu görevi çözebilecek ayırt edici sınıflandırıcılar oluşturmak için makine öğrenimini kullanmaya başladılar; tıpkı bu modellerin bir görüntüyü bir kedi veya kedi olarak sınıflandırması gibi. bir köpek.

MIT araştırmacıları, bu sınıflandırma görevini daha verimli ve fizik bilgisine dayalı bir şekilde çözmek için üretken modellerin nasıl kullanılabileceğini gösterdi.

the Julia programlama diliSchiffer, bilimsel hesaplama için popüler bir dil olan ve aynı zamanda MIT'nin giriş niteliğindeki doğrusal cebir derslerinde de kullanılan bu dilin, bu tür üretken modeller oluşturmak için onu paha biçilmez kılan çeşitli araçlar sunduğunu ekliyor.

ChatGPT ve Dall-E'nin temelini oluşturanlar gibi üretken modeller, tipik olarak bazı verilerin olasılık dağılımını tahmin ederek çalışır ve bunları dağıtıma uyan yeni veri noktaları (görüntülere benzer yeni kedi görüntüleri gibi) oluşturmak için kullanırlar. mevcut kedilerin sayısı). .

Bununla birlikte, denenmiş ve doğrulanmış bilimsel teknikler kullanılarak fiziksel bir sistemin simülasyonu mevcut olduğunda, araştırmacılar bu sistemin olasılık dağılımının bir modelini ücretsiz olarak alırlar. Bu dağılım fiziksel sistemin ölçüm istatistiklerini açıklar.

Daha tanıdık bir model

MIT ekibinin görüşü, bu olasılık dağılımının aynı zamanda bir sınıflandırıcının üzerine inşa edilebileceği üretken bir modeli de tanımladığıdır. Ayrımcı yöntemlerde olduğu gibi örneklerden öğrenmek yerine, doğrudan bir sınıflandırıcı oluşturmak için üretken modeli standart istatistiksel formüllere bağladılar.

Schiffer, “Bu, fiziksel sisteminiz hakkında bildiğiniz bir şeyi makine öğrenme planınıza derinlemesine entegre etmenin gerçekten harika bir yoludur” diyor ve ekliyor: “Veri örnekleriniz üzerinde özellik mühendisliği veya basit tümevarımsal önyargılar yapmanın ötesine geçiyor.”

Bu üretken sınıflandırıcı, sıcaklık veya basınç gibi bazı parametreler verildiğinde sistemin hangi aşamada olduğunu belirleyebilir. Araştırmacılar, ölçümlerin altında yatan olasılık dağılımlarını doğrudan fiziksel sistemden tahmin ettiğinden, sınıflandırıcı sistem hakkında bilgi sahibi olur.

Bu, yöntemlerinin diğer makine öğrenimi tekniklerinden daha iyi performans göstermesini sağlar. Kapsamlı bir eğitim gerektirmeden otomatik olarak çalışabildiğinden, onların yaklaşımı, faz geçişlerinin belirlenmesindeki hesaplama verimliliğini büyük ölçüde artırır.

Günün sonunda araştırmacılar, ChatGPT'den bir matematik problemini çözmesini isteyebileceği gibi, üretken sınıflandırıcıya “Bu örnek Aşama 1'e mi yoksa Aşama 2'ye mi ait?” gibi sorular sorabilir. veya “Bu örnek yüksek sıcaklıkta mı yoksa düşük sıcaklıkta mı oluşturuldu?”

Bilim insanları bu yaklaşımı fiziksel sistemlerdeki çeşitli ikili sınıflandırma görevlerini çözmek için de kullanabilir; belki de kuantum sistemlerindeki dolaşıklığı tespit etmek (durum dolaşık mı, değil mi?) veya belirli bir sorunu çözmek için A teorisinin mi yoksa B teorisinin mi daha uygun olduğunu belirlemek için de kullanabilirler. Ayrıca bu yaklaşımı, chatbot'un en iyi çıktıyı sunması için belirli parametrelerin nasıl ayarlanacağını belirleyerek ChatGPT gibi büyük dil modellerini daha iyi anlamak ve optimize etmek için de kullanabilirler.

Gelecekte araştırmacılar ayrıca, faz geçişlerini etkili bir şekilde tespit etmek ve ihtiyaç duyabilecekleri hesaplama miktarını tahmin etmek için ihtiyaç duyacakları ölçüm sayısına ilişkin teorik garantiler üzerinde de çalışmak istiyorlar.

Bu çalışma kısmen İsviçre Ulusal Bilim Vakfı, MIT İsviçre Lockheed Martin Tohum Fonu ve MIT Uluslararası Bilim ve Teknoloji Girişimleri tarafından finanse edildi.