Para saintis menggunakan GenAI untuk menemui pandangan baharu dalam fizik

Dengan bantuan

, penyelidik dari MIT dan University of Basel di Switzerland telah membangunkan rangka kerja pembelajaran mesin (ML) baharu yang boleh membantu menemui cerapan baharu tentang sains bahan. Hasil kajian ini diterbitkan dalam Surat Kajian Fizikal. Penyelidikan ini menggunakan pendekatan berasaskan rangkaian saraf untuk meramal dan mengoptimumkan sifat dan ciri bahan dengan cepat dengan menganalisis sejumlah besar data bahan. Rangka kerja GenAI ini sangat automatik dan cekap serta boleh membantu mempercepatkan kemajuan penyelidikan bahan. Para penyelidik mengatakan rangka kerja mereka boleh digunakan untuk pelbagai aplikasi: Apabila air berubah daripada cecair kepada pepejal, ia mengalami sifat transformasi yang penting, seperti isipadu dan ketumpatan. Perubahan fasa dalam air adalah sangat biasa sehingga kita tidak memikirkannya secara serius, tetapi ia adalah sistem fizikal yang kompleks. Meramalkan kelakuan bahan semasa peralihan fasa pada peringkat molekul adalah sangat kompleks dan mencabar.

Penyelidik di MIT dan University of Basel telah memanfaatkan kuasa GenAI untuk mencipta rangka kerja baharu yang boleh melukis gambar rajah fasa sistem fizikal baharu secara automatik dan mengesan peralihan antara mereka. Inovasi ini akan membawa potensi besar kepada bidang seperti sains bahan dan kimia. Rangka kerja ini berdasarkan algoritma pembelajaran mesin dan mampu meramalkan sifat bahan baharu dengan belajar daripada model fizikal dan data eksperimen yang diketahui

Para saintis telah lama hairan dengan tiba-tiba dan tidak dapat diramalkan peralihan fasa pada tahap molekul. Kepelbagaian bahan dan sifatnya, ditambah dengan data saintifik yang terhad, menambah cabaran. Itu semua bersedia untuk berubah dengan pembangunan rangka kerja baharu ini, yang menandakan lonjakan besar ke hadapan dalam penemuan bahan baharu dan pemahaman tentang sifat termodinamiknya. Rangka kerja ini memanfaatkan teknik daripada pembelajaran mesin dan analisis data besar untuk mengubah penemuan bahan baharu kami dan lonjakan ketara dalam pemahaman kami tentang sifat termodinamiknya.

“Jika anda mempunyai sistem baharu dengan sifat yang tidak diketahui sepenuhnya, bagaimanakah anda akan memilih yang boleh diperhatikan untuk dikaji Kami berharap, sekurang-kurangnya dengan alat dipacu data, ia akan dapat mengimbas sistem baharu yang besar secara automatik , dan ia akan memberikan Anda menunjukkan perubahan penting dalam sistem Ini boleh menjadi alat untuk penemuan saintifik automatik sifat fasa baru yang eksotik," kata Frank Schäfer, postdoc di makmal Julia di CSAIL dan pengarang bersama kertas kerja. kaedah ini.

Julian Arnold, seorang pelajar siswazah di Universiti Basel, bertanggungjawab untuk projek pertama yang berkaitan dengan penyelidikan itu juga termasuk Alan Edelman, Profesor Matematik Gunaan di Jabatan Matematik, ketua makmal Julia dan Christoph; Bruder, profesor di Jabatan Fizik di Universiti Basel dan pengarang kanan.

Terobosan penyelidikan ini membolehkan para saintis menemui fasa jirim yang tidak diketahui. Peralihan air daripada cecair kepada pepejal adalah contoh perubahan fasa yang paling jelas. Terdapat peralihan bahan lain yang lebih kompleks dan rumit, seperti apabila kekonduksian bahan berubah dari keadaan ke keadaan.

Kaedah saintifik tradisional bergantung pada penjelasan teori tentang keadaan fizikal sambil memerlukan saintis membina gambar rajah fasa secara manual. Kaedah ini mempunyai had yang serius, termasuk ketidakupayaan untuk menghasilkan gambar rajah fasa untuk sistem yang sangat kompleks, risiko berat sebelah manusia, dan terhad kepada andaian teori tentang parameter mana yang penting. Walau bagaimanapun, dengan kemajuan teknologi komputer, kaedah saintifik baru sedang dibangunkan. Salah satunya ialah pendekatan berasaskan pembelajaran mesin yang memanfaatkan kuasa pengkomputeran dan analisis data besar untuk membuat kesimpulan rajah fasa sistem fizikal. Kaedah ini tidak lagi bergantung kepada andaian buatan dan mampu mengendalikan sistem yang kompleks kerana ia boleh mengendalikan sejumlah besar data eksperimen dan pembolehubah. Pembangunan kaedah baharu ini penting kepada komuniti saintifik

Pasukan penyelidik dari MIT dan Universiti Basel menggunakan model GenAI yang dimaklumkan fizik untuk menganalisis "parameter pesanan", yang merupakan kuantiti yang boleh diukur, Nisbah keseluruhan modulator fasa kepada modulator fasa bercelaru ditunjukkan. Sebagai contoh, parameter tertib boleh digunakan untuk mentakrifkan nisbah molekul air dalam keadaan tertib kepada yang berada dalam keadaan tidak teratur.

Bahasa pengaturcaraan Julia, yang terkenal dengan kecemerlangannya dalam pengkomputeran saintifik dan teknikal, memainkan peranan penting dalam membina model ML baharu. Kaedah yang diterbitkan dalam kertas itu dilaporkan mengatasi teknik ML lain dari segi kecekapan pengiraan.

Penyelidikan ini berpotensi untuk mengubah bidang sains bahan dan fizik kuantum. Rangka kerja baharu ini bukan sahaja boleh digunakan untuk menyelesaikan tugas pengelasan dalam sistem fizikal, tetapi juga memainkan peranan penting dalam meningkatkan model bahasa besar (LLM) dengan menentukan cara memperhalusi parameter tertentu untuk mendapatkan output yang lebih baik.

Atas ialah kandungan terperinci Para saintis menggunakan GenAI untuk menemui pandangan baharu dalam fizik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!