MIT和巴塞尔大学研究人员利用生成式AI自动绘制相图

  每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/

生成式AI模型助力复杂物理系统的相变检测

当水冻结时，它从液相转变为固相，导致密度和体积等属性发生剧烈变化。虽然水的相变非常常见，但新材料或复杂物理系统中的相变却是一个重要的研究领域。

为了充分理解这些系统，科学家必须能够识别相位并检测相变。然而，量化未知系统中的相变通常并不明确，尤其是当数据稀少时。

来自麻省理工学院（MIT）和瑞士巴塞尔大学的研究人员将生成式人工智能模型应用于这个问题，开发出一种新的机器学习框架，可以自动绘制新型物理系统的相图。

他们的物理知情机器学习方法比依赖理论专业知识的繁琐手工技术更高效。重要的是，由于他们的方法利用生成模型，不需要其他机器学习技术所用的大量标记训练数据集。

这种框架可以帮助科学家研究新材料的热力学性质或检测量子系统中的纠缠。例如，这种技术最终可以使科学家自主发现未知的物质相位。

“如果你有一个完全未知属性的新系统，你会如何选择研究哪个可观察量？至少借助数据驱动工具的希望是，你可以以自动化的方式扫描大型新系统，并指向系统中的重要变化。这可能成为自动化科学发现新、奇特相位特性的工具之一，”麻省理工学院计算机科学与人工智能实验室（CSAIL）Julia实验室的博士后、该方法的论文共同作者Frank Schäfer说。

与Schäfer共同撰写论文的是巴塞尔大学研究生Julian Arnold、麻省理工学院数学系应用数学教授兼Julia实验室负责人Alan Edelman，以及巴塞尔大学物理系教授、论文的资深作者Christoph Bruder。该研究成果今天发表在《物理评论快报》上。

使用AI检测相变

尽管水结冰可能是最明显的相变例子，但更奇特的相变，如材料从普通导体转变为超导体，科学家们对此兴趣浓厚。

这些转变可以通过识别“序参量”来检测，这是一个重要且预期会变化的量。例如，当水温度降到0摄氏度以下时，它会冻结并转变为固相（冰）。在这种情况下，适当的序参量可以定义为晶格中水分子的比例与仍处于无序状态的水分子比例。

过去，研究人员依靠物理学专业知识手工构建相图，依赖理论理解来知道哪些序参量重要。这不仅对复杂系统来说是繁琐的，而且对具有新行为的未知系统来说可能是不可能的，同时也引入了解决方案中的人类偏见。

最近，研究人员开始使用机器学习构建判别分类器，通过学习将测量统计量分类为物理系统的特定相位，来解决这个任务，就像这些模型将图像分类为猫或狗一样。

麻省理工学院的研究人员展示了如何利用生成模型更高效地解决这一分类任务，并以物理知情的方式进行。

Julia编程语言是一种流行的科学计算语言，在麻省理工学院的线性代数入门课程中也有使用，它提供了许多工具，使其在构建这些生成模型时非常有价值，Schäfer补充说。

生成模型，例如支撑ChatGPT和Dall-E的模型，通常通过估计某些数据的概率分布来工作，并利用这些数据生成符合分布的新数据点（例如类似现有猫图像的新猫图像）。

然而，当使用久经考验的科学技术对物理系统进行模拟时，研究人员可以免费获得其概率分布的模型。这种分布描述了物理系统的测量统计。

更有知识的模型

麻省理工学院团队的洞见是，这种概率分布也定义了一个生成模型，基于此可以构建分类器。他们将生成模型插入标准统计公式中，直接构建分类器，而不是像判别方法那样从样本中学习。

“这是一种将你对物理系统的了解深度嵌入到你的机器学习方案中的非常好的方法。它远远超出了对数据样本进行特征工程或简单归纳偏见，”Schäfer说。

这种生成分类器可以根据某些参数（如温度或压力）确定系统处于哪个相位。由于研究人员直接近似物理系统测量的概率分布，分类器具有系统知识。

这使得他们的方法比其他机器学习技术表现更好。由于它可以自动工作，无需广泛的训练，他们的方法显著提高了识别相变的计算效率。

最终，正如你可能会要求ChatGPT解决数学问题一样，研究人员可以向生成分类器提出问题，如“这个样本属于相位I还是相位II？”或“这个样本是高温生成的还是低温生成的？”

科学家还可以使用这种方法解决物理系统中的不同二元分类任务，可能是检测量子系统中的纠缠（状态是否纠缠？）或确定理论A或B是否最适合解决特定问题。他们还可以使用这种方法更好地理解和改进大型语言模型，如ChatGPT，识别如何调整某些参数以使聊天机器人给出最佳输出。

未来，研究人员还希望研究理论保证，了解他们需要多少测量才能有效检测相变，并估计所需的计算量。

这项工作部分由瑞士国家科学基金会、麻省理工学院-瑞士洛克希德·马丁种子基金和麻省理工学院国际科学与技术倡议资助。