آب در حالت عادی در فاز مایع است، اما هنگامی که سرد می‌شود و دما به زیر صفر درجه سانتی‌گراد می‌رسد، تغییر فاز داده و به حالت جامد (یخ) تبدیل می‌شود. این تغییر فاز باعث ایجاد تغییرات قابل توجهی در ویژگی‌های آب مانند چگالی و حجم می‌شود.
تغییر فاز در مواد مختلف یک موضوع مهم مطالعاتی است، چرا که شناخت این فرایندها برای درک کامل سیستم‌های فیزیکی و شیمیایی ضروری است. اما گاهی اوقات تعیین میزان و چگونگی تغییر فاز در سیستم‌های ناشناخته مشکل است، به خصوص زمانی که داده‌های کافی در دسترس نباشند.
محققان MIT و دانشگاه بازل در سوئیس از روش‌های هوش مصنوعی مولد برای رفع این مشکل استفاده کرده‌اند. آنها یک چارچوب یادگیری ماشینی جدید توسعه داده‌اند که می‌تواند به طور خودکار نمودارهای فاز را برای سیستم‌های فیزیکی جدید ترسیم کند.
رویکرد یادگیری ماشینی که بر دانش فیزیکی متکی است، کارآمدتر از روش‌های دستی پر زحمتی است که بر تخصص نظری تکیه دارند. نکته مهم این است که چون این رویکرد از مدل‌های مولد استفاده می‌کند، نیازی به داده‌های آموزشی بزرگ و برچسب‌گذاری‌شده ندارد که در سایر تکنیک‌های یادگیری ماشینی استفاده می‌شود.
چنین چارچوبی به دانشمندان کمک می‌کند تا خواص ترمودینامیکی مواد جدید را بررسی کنند یا درهم تنیدگی را در سیستم‌های کوانتومی تشخیص دهند. همچنین این تکنیک به دانشمندان امکان می‌دهد تا فازهای ناشناخته ماده را به طور مستقل کشف کنند.
فرانک شافر، یک فوق دکتر در آزمایشگاه جولیا در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL)، می‌گوید که اگر سیستمی با ویژگی‌های کاملاً ناشناخته دارید، با استفاده از ابزارهای مبتنی بر داده، امید این است که بتوانید سیستم‌های جدید بزرگ را به طور خودکار اسکن کرده و تغییرات مهمی را در آنها شناسایی کنید.
این مقاله با همکاری جولیان آرنولد، دانشجوی کارشناسی ارشد در دانشگاه بازل، آلن ادلمن، استاد ریاضیات کاربردی در گروه ریاضیات و رهبر آزمایشگاه جولیا، و کریستف برودر، استاد گروه فیزیک در دانشگاه بازل، نوشته شده است. این تحقیق امروز در مجله Physical Review Letters منتشر شده است.
تشخیص انتقال فاز با استفاده از هوش مصنوعی
تغییر فاز مواد یکی از پدیده‌های جالب و مورد علاقه دانشمندان است. اگرچه تبدیل آب به یخ یکی از بارزترین مثال‌های تغییر فاز است، تغییرات فازی عجیب‌تری نیز وجود دارند، مانند تبدیل یک ماده معمولی به ماده ابررسانا.
این تغییرات فازی را می‌توان با شناسایی یک "پارامتر مرتبی" مشخص کرد؛ این پارامتر، کمیتی است که در طی تغییر فاز اهمیت پیدا می‌کند و انتظار می‌رود تغییر کند. به عنوان مثال، وقتی دمای آب به زیر صفر درجه سانتی‌گراد می‌رسد، آب به یخ تبدیل می‌شود. در این مورد، پارامتر مرتبی می‌تواند بر اساس نسبت مولکول‌های آبی که در شبکه بلوری قرار گرفته‌اند در مقابل مولکول‌های آبی که در حالت بی‌نظم باقی مانده‌اند، تعریف شود.
در گذشته، محققان برای ساخت نمودارهای فازی به طور دستی بر تخصص فیزیکی خود تکیه می‌کردند و از درک نظری استفاده می‌کردند تا بدانند کدام پارامترهای مرتبی مهم هستند. این رویکرد نه تنها برای سیستم‌های پیچیده خسته‌کننده و برای سیستم‌های ناشناخته با رفتارهای جدید غیرممکن است، بلکه همچنین سوگیری انسانی را نیز وارد راه‌حل می‌کند.
اخیراً، دانشمندان شروع به استفاده از یادگیری ماشینی برای ساخت طبقه‌بندی‌کننده‌هایی کرده‌اند که می‌توانند آمار حاصل از اندازه‌گیری‌های یک سیستم فیزیکی را به‌عنوان خروجی طبقه‌بندی کنند، همانطور که چنین مدل‌هایی تصاویر را به عنوان گربه یا سگ طبقه‌بندی می‌کنند.
محققان MIT نشان دادند که چگونه می‌توان از مدل‌های تولیدی به شیوه‌ای کارآمدتر و با استفاده از اطلاعات فیزیکی برای انجام این طبقه‌بندی استفاده کرد.
همچنین، زبان برنامه‌نویسی جولیا که در کلاس‌های جبر خطی MIT استفاده می‌شود، ابزارهای مناسبی را برای ساخت چنین مدل‌های تولیدی ارائه می‌دهد.
مدل‌های تولیدی مانند ChatGPT و Dall-E معمولاً با تخمین توزیع احتمال داده‌ها کار می‌کنند و از آن برای تولید نقاط داده جدید استفاده می‌کنند.
اما زمانی که شبیه‌سازی‌های سیستم فیزیکی با استفاده از روش‌های علمی موجود در دسترس باشد، دانشمندان می‌توانند مدلی از توزیع احتمال آن را به‌راحتی به دست آورند که آمار اندازه‌گیری سیستم را توصیف می‌کند.
مدل آگاه تر و پیشرفته
تیم MIT عقیده دارند که این توزیع احتمال، یک مدل تولیدی را هم تعریف می‌کند که بر اساس آن می‌توان یک طبقه‌بندی‌کننده ساخت. آنها این مدل تولیدی را به فرمول‌های آماری استاندارد متصل می‌کنند تا به‌جای آموزش مدل بر روی نمونه‌ها، مستقیماً یک طبقه‌بندی‌کننده بسازند، همانطور که در رویکردهای متمایز انجام می‌شود.
این روش واقعاً خوب است برای اینکه چیزهایی را که در مورد سیستم فیزیکی خود می‌دانید، در عمق طرح یادگیری ماشینی خود بگنجانید. این کار بسیار فراتر از انجام مهندسی ویژگی‌ها بر روی نمونه‌های داده یا سوگیری‌های استقرایی ساده است.
این طبقه‌بندی‌کننده مولد می‌تواند تعیین کند که سیستم در چه فازی قرار دارد، مانند دما یا فشار. و از آنجایی که محققان به طور مستقیم توزیع‌های احتمالی زیربنای اندازه‌گیری‌ها را از سیستم فیزیکی تقریب می‌زنند، طبقه‌بندی‌کننده دانش سیستمی دارد.
این روش آنها را قادر می‌سازد تا بهتر از سایر تکنیک‌های یادگیری ماشینی عمل کنند. و از آنجا که می‌تواند بدون نیاز به آموزش گسترده به طور خودکار کار کند، رویکرد آنها به طور قابل توجهی کارایی محاسباتی شناسایی انتقال فاز را افزایش می‌دهد.
محققان می‌توانند از یک طبقه‌بندی‌کننده مولد (generative classifier) استفاده کنند تا مانند استفاده از ChatGPT برای حل مسائل ریاضی، به سؤالاتی پاسخ دهند. برای مثال، آنها می‌توانند از این طبقه‌بندی‌کننده بپرسند که "این نمونه به فاز I یا فاز II تعلق دارد؟" یا "این نمونه در دمای بالا یا پایین تولید شده است؟"
دانشمندان همچنین می‌توانند از این رویکرد برای انجام وظایف طبقه‌بندی دوتایی مختلف در سیستم‌های فیزیکی استفاده کنند. برای مثال، آنها می‌توانند از این روش برای تشخیص درهم‌تنیدگی در سیستم‌های کوانتومی (آیا حالت درهم‌تنیده است یا خیر؟) یا تعیین اینکه کدام نظریه (A یا B) برای حل یک مشکل خاص مناسب‌تر است، استفاده کنند. همچنین، آنها می‌توانند از این رویکرد برای درک بهتر و بهبود مدل‌های زبان بزرگ مانند ChatGPT با شناسایی پارامترهایی که باید تنظیم شوند تا چت‌بات بهترین خروجی را ارائه دهد، استفاده کنند.
در آینده، محققان打حتمالاً میخواهند تضمین‌های نظری را در مورد تعداد اندازه‌گیری‌هایی که برای تشخیص مؤثر انتقال فاز و تخمین میزان محاسبات مورد نیاز هستند، مطالعه کنند.
این پژوهش بخشی از حمایت‌های مالی بنیاد ملی علوم سوئیس، صندوق بذر لاکهید مارتین MIT-سوئیس و ابتکارات علمی و فناوری بین‌المللی MIT بوده است.