Les scientifiques utilisent GenAI pour découvrir de nouvelles connaissances en physique

Avec l'aide de

, des chercheurs du MIT et de l'Université de Bâle en Suisse ont développé un nouveau cadre d'apprentissage automatique (ML) qui peut aider à découvrir de nouvelles connaissances sur la science des matériaux. Les résultats de cette étude sont publiés dans Physical Review Letters. Cette recherche utilise une approche basée sur un réseau neuronal pour prédire et optimiser rapidement les propriétés et caractéristiques des matériaux en analysant de grandes quantités de données sur les matériaux. Ce framework GenAI est hautement automatisé et efficace et peut contribuer à accélérer les progrès de la recherche sur les matériaux. Les chercheurs affirment que leur cadre peut être appliqué à diverses applications. Lorsque l’eau passe d’un liquide à un solide, elle subit d’importantes propriétés de transformation, telles que le volume et la densité. Les changements de phase dans l'eau sont si courants que nous n'y pensons même pas sérieusement, mais il s'agit d'un système physique complexe. Prédire le comportement des matériaux lors des transitions de phase au niveau moléculaire est très complexe et difficile.

Des chercheurs du MIT et de l'Université de Bâle ont exploité la puissance de GenAI pour créer un nouveau cadre capable de dessiner automatiquement des diagrammes de phases de nouveaux systèmes physiques et de détecter les transitions entre eux. Cette innovation apportera un énorme potentiel à des domaines tels que la science des matériaux et la chimie. Le cadre est basé sur des algorithmes d'apprentissage automatique et est capable de prédire les propriétés de nouveaux matériaux en apprenant à partir de modèles physiques connus et de données expérimentales.

Les scientifiques ont longtemps été intrigués par la soudaineté et l'imprévisibilité des transitions de phase au niveau moléculaire. La diversité des matériaux et de leurs propriétés, associée à la rareté des données scientifiques, ajoute au défi. Tout cela est sur le point de changer avec le développement de ce nouveau cadre, qui marque un grand pas en avant dans la découverte de nouveaux matériaux et la compréhension de leurs propriétés thermodynamiques. Ce cadre exploite les techniques d'apprentissage automatique et d'analyse du Big Data pour transformer notre découverte de nouveaux matériaux et faire des progrès significatifs dans notre compréhension de leurs propriétés thermodynamiques.

« Si vous aviez un nouveau système avec des propriétés complètement inconnues, comment choisiriez-vous quel observable étudier ? Nous espérons qu'au moins avec des outils basés sur les données, il sera possible d'analyser de manière automatisée de nouveaux systèmes de grande taille. ", et cela vous permettra de signaler des changements importants dans le système. Cela pourrait être un outil de découverte scientifique automatisée de nouvelles propriétés de phases exotiques", explique Frank Schäfer, postdoctorant dans le laboratoire de Julia au CSAIL et co-auteur d'un article sur ce sujet. cette méthode.

Julian Arnold, étudiant diplômé à l'Université de Bâle, est responsable du premier projet lié à la recherche ; il comprend également Alan Edelman, professeur de mathématiques appliquées au Département de mathématiques, chef du laboratoire de Julia et Christoph ; Bruder, professeur au Département de physique de l'Université de Bâle et auteur principal.

Cette avancée de la recherche permet aux scientifiques de découvrir des phases inconnues de la matière. La transition de l’eau du liquide au solide est l’exemple le plus évident de changement de phase. Il existe d'autres transitions matérielles plus complexes et compliquées, par exemple lorsque la conductivité d'un matériau change d'un état à l'autre.

Les méthodes scientifiques traditionnelles reposent sur des explications théoriques des états physiques tout en obligeant les scientifiques à construire manuellement des diagrammes de phases. Ces méthodes présentent de sérieuses limites, notamment l'incapacité de produire des diagrammes de phases pour des systèmes très complexes, le risque de biais humain et le fait d'être limitées à des hypothèses théoriques sur les paramètres importants. Cependant, à mesure que la technologie informatique progresse, de nouvelles méthodes scientifiques se développent. L’une d’elles est une approche basée sur l’apprentissage automatique qui exploite la puissance de calcul et l’analyse du Big Data pour déduire le diagramme de phases d’un système physique. Cette méthode ne repose plus sur des hypothèses artificielles et est capable de gérer des systèmes complexes car elle peut gérer de grandes quantités de données et de variables expérimentales. Le développement de ces nouvelles méthodes est important pour la communauté scientifique

Une équipe de recherche du MIT et de l'Université de Bâle a utilisé un modèle GenAI basé sur la physique pour analyser un "paramètre d'ordre", qui est une quantité mesurable, le rapport de le modulateur de phase entier jusqu'au modulateur de phase désordonné est représenté. Par exemple, un paramètre d’ordre peut être utilisé pour définir le rapport entre les molécules d’eau dans un état ordonné et celles dans un état désordonné.

Le langage de programmation Julia, connu pour son excellence en calcul scientifique et technique, joue un rôle important dans la construction de nouveaux modèles ML. La méthode publiée dans l'article surpasserait les autres techniques de ML en termes d'efficacité de calcul.

Cette recherche a le potentiel de transformer les domaines de la science des matériaux et de la physique quantique. Non seulement le nouveau cadre peut être utilisé pour résoudre des tâches de classification dans des systèmes physiques, mais il peut également jouer un rôle clé dans l'amélioration des grands modèles de langage (LLM) en déterminant comment affiner certains paramètres pour obtenir de meilleurs résultats.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!