חוקרים מ-MIT ומאוניברסיטת באזל פיתחו מסגרת חדשה ללימוד מכונה מונעת בינה מלאכותית כדי למפות ביעילות דיאגרמות פאזה עבור מערכות פיזיקליות לא ידועות, מה שעלול לחולל מהפכה בחקר תכונות החומר ומערכות קוונטיות. קרדיט: twoday.co.il.com
מסגרת חדשה ללימוד מכונה מ MIT ואוניברסיטת באזל שיכולה לסווג אוטומטית שלבים של מערכות פיזיקליות יכולה לעזור למדענים לחקור חומרים חדשים.
כאשר מים קופאים, הם עוברים משלב נוזלי לשלב מוצק. זה גורם לשינויים דרסטיים במאפיינים כמו צפיפות ונפח. בעוד שמעברי פאזה במים כל כך נפוצים שרובנו אפילו לא חושבים עליהם, מעברי פאזה בחומרים חדשים או במערכות פיזיקליות מורכבות הם תחום מחקר חשוב.
כדי להבין את המערכות הללו במלואן, מדענים חייבים להיות מסוגלים לזהות שלבים ולזהות את המעברים ביניהם. עם זאת, כימות שינויים בשלבים במערכת לא מוכרת נותר מאתגר, במיוחד עם נתונים מוגבלים.
התקדמות בינה מלאכותית בזיהוי שלב
חוקרים מ-MIT ומאוניברסיטת באזל בשוויץ יישמו מודלים של בינה מלאכותית גנרטיבית לבעיה זו, ופיתחו מסגרת חדשה ללימוד מכונה שיכולה למפות באופן אוטומטי דיאגרמות פאזה עבור מערכות פיזיקליות חדשות.
גישת לימוד המכונה המבוססת על הפיזיקה שלהם יעילה יותר מאשר טכניקות ידניות עמלניות המסתמכות על מומחיות תיאורטית. חשוב לציין, מכיוון שהגישה שלהם ממנפת מודלים גנרטיביים, היא אינה דורשת מערכי אימון ענקיים עם תווית המשמשים בטכניקות אחרות של למידת מכונה.
מסגרת כזו יכולה לעזור למדענים לחקור את התכונות התרמודינמיות של חומרים חדשים או לזהות הסתבכות במערכות קוונטיות, למשל. בסופו של דבר, טכניקה זו יכולה לאפשר למדענים לגלות שלבים לא ידועים של החומר באופן אוטונומי.
"אם יש לך מערכת חדשה עם מאפיינים לא ידועים לחלוטין, איך היית בוחר איזו כמות נצפית לחקור? התקווה, לפחות עם כלים מונעי נתונים, היא שתוכל לסרוק מערכות חדשות גדולות בצורה אוטומטית, וזה יכוון אותך לשינויים חשובים במערכת. זה עשוי להיות כלי בצנרת של גילוי מדעי אוטומטי של תכונות חדשות ואקזוטיות של שלבים", אומר פרנק שפר, פוסט דוקטורט במעבדת ג'וליה במעבדת מדעי המחשב והבינה המלאכותית (CSAIL) ומחבר שותף של מאמר בנושא הגישה הזו.
על העיתון מצטרפים הסופר הראשון ג'וליאן ארנולד, סטודנט לתואר שני באוניברסיטת באזל; אלן אדלמן, פרופסור למתמטיקה שימושית במחלקה למתמטיקה ומנהיג מעבדת ג'וליה; והסופר הבכיר כריסטוף ברודר, פרופסור במחלקה לפיזיקה באוניברסיטת באזל. המחקר פורסם ב-16 במאי ב מכתבי סקירה פיזית.
זיהוי מעברי שלבים באמצעות AI
בעוד שמעבר מים לקרח עשוי להיות בין הדוגמאות הברורות ביותר לשינוי פאזה, שינויי פאזה אקזוטיים יותר, כמו כאשר חומר עובר ממוליך רגיל למוליך-על, מעניינים מאוד מדענים.
ניתן לזהות מעברים אלו על ידי זיהוי "פרמטר הזמנה", כמות שחשובה וצפויה להשתנות. לדוגמה, מים קופאים ועוברים לשלב מוצק (קרח) כאשר הטמפרטורה שלהם יורדת מתחת ל-0 מעלות צֶלסִיוּס. במקרה זה, ניתן להגדיר פרמטר מסדר מתאים במונחים של חלקן של מולקולות המים שהן חלק מהסריג הגבישי לעומת אלו שנותרו במצב לא מסודר.
בעבר, חוקרים הסתמכו על מומחיות בפיסיקה כדי לבנות דיאגרמות פאזות באופן ידני, תוך הסתמכות על הבנה תיאורטית כדי לדעת אילו פרמטרים של סדר חשובים. לא רק שזה מייגע עבור מערכות מורכבות, ואולי בלתי אפשרי עבור מערכות לא ידועות עם התנהגויות חדשות, אלא זה גם מכניס הטיה אנושית לפתרון.
לאחרונה, חוקרים החלו להשתמש למידת מכונה לבנות מסווגים מפלים שיכולים לפתור את המשימה הזו על ידי לימוד לסווג נתוני מדידה כמגיעים משלב מסוים של המערכת הפיזית, באותו אופן שבו מודלים כאלה מסווגים תמונה כחתול או כלב.
המדענים הדגימו כיצד ניתן להשתמש במודלים גנרטיביים כדי לפתור את משימת הסיווג הזו בצורה הרבה יותר יעילה, ובאופן מושכל בפיזיקה.
שפת התכנות ג'וליה, שפה פופולרית למחשוב מדעי המשמשת גם בשיעורי האלגברה הליניארית המבוא של MIT, מציעה כלים רבים שהופכים אותה לבעל ערך רב לבניית מודלים גנרטיביים כאלה, מוסיף שפר.
מודלים גנרטיביים, כמו אלה העומדים בבסיס ChatGPT ו-Dall-E, פועלים בדרך כלל על ידי הערכת התפלגות ההסתברות של נתונים מסוימים, שבהם הם משתמשים כדי ליצור נקודות נתונים חדשות שמתאימות להתפלגות (כגון תמונות חתולים חדשות הדומות לתמונות קיימות של חתולים) .
עם זאת, כאשר זמינות סימולציות של מערכת פיזיקלית תוך שימוש בטכניקות מדעיות בדוקות ואמיתיות, החוקרים מקבלים מודל של התפלגות ההסתברות שלה בחינם. התפלגות זו מתארת את סטטיסטיקת המדידה של המערכת הפיזית.
דגם בעל ידע רב יותר
התובנה של צוות המחקר היא שהתפלגות הסתברות זו מגדירה גם מודל מחולל שעל פיו ניתן לבנות מסווג. הם מחברים את המודל הגנרטיבי לנוסחאות סטטיסטיות סטנדרטיות כדי לבנות באופן ישיר מסווג במקום ללמוד אותו מדגימות, כפי שנעשה בגישות הבחנה.
"זו דרך ממש נחמדה לשלב משהו שאתה יודע על המערכת הפיזית שלך עמוק בתוך תוכנית למידת המכונה שלך. זה הרבה מעבר לביצוע הנדסת תכונות בדגימות הנתונים שלך או הטיות אינדוקטיביות פשוטות", אומר שפר.
הסיווג הגנרטיבי הזה יכול לקבוע באיזה שלב נמצאת המערכת בהינתן פרמטר כלשהו, כמו טמפרטורה או לחץ. ומכיוון שהחוקרים מקרובים ישירות את התפלגויות ההסתברות שבבסיס המדידות מהמערכת הפיזית, למסווג יש ידע מערכתי.
זה מאפשר לשיטה שלהם לבצע ביצועים טובים יותר מטכניקות אחרות של למידת מכונה. ומכיוון שהוא יכול לעבוד באופן אוטומטי ללא צורך בהכשרה מקיפה, הגישה שלהם משפרת משמעותית את היעילות החישובית של זיהוי מעברי פאזה.
בסופו של יום, בדומה לאופן שבו אפשר לבקש מ-ChatGPT לפתור בעיה מתמטית, החוקרים יכולים לשאול את המיון הגנרטיבי שאלות כמו "האם המדגם הזה שייך לשלב I או לשלב II?" או "האם המדגם הזה נוצר בטמפרטורה גבוהה או בטמפרטורה נמוכה?"
מדענים יכולים גם להשתמש בגישה זו כדי לפתור משימות סיווג בינארי שונות במערכות פיזיקליות, אולי כדי לזהות הסתבכות במערכות קוונטיות (האם המצב מסתבך או לא?) או לקבוע אם תיאוריה A או B היא המתאימה ביותר לפתרון בעיה מסוימת. הם יכולים גם להשתמש בגישה זו כדי להבין טוב יותר ולשפר מודלים של שפות גדולות כמו ChatGPT על ידי זיהוי כיצד יש לכוון פרמטרים מסוימים כך שהצ'אטבוט ייתן את התפוקות הטובות ביותר.
בעתיד, צוות MIT רוצה גם ללמוד ערבויות תיאורטיות לגבי כמה מדידות הם יצטרכו כדי לזהות ביעילות מעברי פאזה ולהעריך את כמות החישוב שיידרש.
עבודה זו מומנה, בחלקה, על ידי הקרן הלאומית למדע השוויצרית, קרן MIT-Switzerland Lockheed Martin Seed ו-MIT International Science and Technology Initiatives.
