Generativni AI za odgovore na složena pitanja u fizici

Kada se voda smrzne, ona prelazi iz tekuće faze u krutu fazu, što rezultira drastičnom promjenom svojstava poput gustoće i volumena. Fazni prijelazi u vodi toliko su česti da većina nas vjerojatno niti ne razmišlja o njima, ali fazni prijelazi u novim materijalima ili složenim fizikalnim sustavima važno su područje proučavanja.

Da bi u potpunosti razumjeli ove sustave, znanstvenici moraju biti sposobni prepoznati faze i otkriti prijelaze između njih. Ali često je nejasno kako kvantificirati fazne promjene u nepoznatom sustavu, osobito kada su podaci oskudni.

Istraživači s američkog Instituta tehnologije u Massachusettsu MIT i Sveučilišta u Baselu u Švicarskoj, primijenili su generativne modele umjetne inteligencije na ovaj problem, razvijajući novi okvir za strojno učenje koji može automatski mapirati fazne dijagrame za nove fizikalne sustave.

Njihov pristup strojnog učenja utemeljen na fizici učinkovitiji je od mukotrpnih, ručnih tehnika koje se oslanjaju na teoretsku stručnost. Budući da njihov pristup koristi generativne modele, ne zahtijeva ogromne, označene skupove podataka za obuku koji se koriste u drugim tehnikama strojnog učenja.

Takav bi okvir mogao pomoći znanstvenicima u istraživanju termodinamičkih svojstava novih materijala ili, na primjer, otkriti isprepletenost u kvantnim sustavima. U konačnici, ova bi tehnika mogla omogućiti znanstvenicima da autonomno otkriju nepoznate faze materije.

Iako bi prijelaz vode u led mogao biti među najočitijim primjerima fazne promjene, egzotičnije fazne promjene, poput prijelaza materijala iz normalnog vodiča u supravodič, od velikog su interesa za znanstvenike.

Na primjer, voda se smrzava i prelazi u krutu fazu (led) kada joj temperatura padne ispod 0 stupnjeva Celzijusa. U ovom slučaju, odgovarajući parametar reda mogao bi se definirati u smislu udjela molekula vode koje su dio kristalne rešetke u odnosu na one koje ostaju u neuređenom stanju.

U prošlosti su se istraživači oslanjali na stručnost fizike kako bi ručno izradili fazne dijagrame, oslanjajući se na teoretsko razumijevanje kako bi znali koji su parametri reda važni. Ne samo da je to zamorno za složene sustave, a možda i nemoguće za nepoznate sustave s novim ponašanjem, već također uvodi ljudsku pristranost u rješenje.

Istraživači s MIT-a pokazali su kako se generativni modeli mogu koristiti za rješavanje ovog zadatka klasifikacije puno učinkovitije i na način utemeljen na fizici.

Oni uključuju generativni model u standardne statističke formule kako bi izravno konstruirali klasifikator umjesto da ga uče iz uzoraka, kao što je učinjeno s diskriminativnim pristupima.

Ovaj generativni klasifikator može odrediti u kojoj je fazi sustava neki parametar, poput temperature ili tlaka. A budući da istraživači izravno približavaju distribucije vjerojatnosti koje se temelje na mjerenjima iz fizičkog sustava, klasifikator ima znanje o sustavu. 

To njihovoj metodi omogućuje bolju izvedbu od drugih tehnika strojnog učenja, a budući da može raditi automatski bez potrebe za opsežnom obukom, njihov pristup značajno poboljšava računsku učinkovitost identificiranja faznih prijelaza.

Slično kao što se od ChatGPT-a može tražiti da riješi matematički problem, istraživači mogu generativnom klasifikatoru postaviti pitanja poput "pripada li ovaj uzorak fazi I ili fazi II?" ili "je li ovaj uzorak nastao na visokoj ili niskoj temperaturi?"

Znanstvenici bi također mogli upotrijebiti ovaj pristup za rješavanje različitih zadataka binarne klasifikacije u fizičkim sustavima, vjerojatno za otkrivanje isprepletenosti u kvantnim sustavima (je li stanje zapleteno ili ne?) ili odrediti je li teorija A ili B najprikladnija za rješavanje određenog problema.

Također bi mogli upotrijebiti ovaj pristup za bolje razumijevanje i poboljšanje velikih jezičnih modela kao što je ChatGPT identificirajući kako bi se određeni parametri trebali podesiti tako da chatbot daje najbolje rezultate.

Rad o ovom istraživanju objavljen u časopisu Physical Review Letters možete pronaći na ovoj poveznici.