Mesterséges intelligencia oldja meg a fizika rejtélyeit
A tudósok generatív mesterséges intelligenciát használnak összetett fizikai kérdések megválaszolására A generatív mesterséges intelligencia (AI) egy új, ígéretes eszköz a tudósok kezében, amely segíthet megválaszolni a fizika komplex kérdéseit. Az MIT és a Bázeli Egyetem kutatói kidolgoztak egy fizika-vezérelt gépi tanulási módszert, amely automatikusan képes osztályozni az anyagok vagy fizikai rendszerek fázisátmeneteit. Ez a technika hatékonyabb, mint a korábbi manuális módszerek, és nincs szüksége hatalmas címkézett tanítóadatokra sem.
Fázisátmenetek detektálása mesterséges intelligenciával
A víz megfagyásakor a folyadék fázisból szilárd fázisba megy át, ami drasztikus változásokat okoz olyan tulajdonságaiban, mint a sűrűség és a térfogat. A vízben lezajló fázisátmenetek annyira mindennaposak, hogy valószínűleg már nem is gondolkodunk rajtuk. Az új anyagokban vagy összetett fizikai rendszerekben zajló fázisátmenetek azonban fontos kutatási területet jelentenek.
Ahhoz, hogy teljes mértékben megértsük ezeket a rendszereket, a tudósoknak fel kell ismerniük a fázisokat és detektálniuk kell az átmeneteket. Azonban egy ismeretlen rendszerben a fázisváltozások számszerűsítésének módja gyakran nem egyértelmű, különösen, ha kevés adat áll rendelkezésre. Itt jöhetnek képbe a generatív AI modellek.
Az MIT kutatói bebizonyították, hogy a generatív modellek sokkal hatékonyabban képesek megoldani ezt az osztályozási feladatot, ráadásul fizikai szempontból megalapozott módon. Ahelyett, hogy mintákból tanulnának, ahogy a diszkriminatív megközelítéseknél teszik, ők a fizikai rendszer valószínűségi eloszlásának becslésére használják a generatív modellt, amiből közvetlenül konstruálják meg az osztályozót.
Egy hozzáértőbb modell
A generatív osztályozó képes meghatározni, hogy a rendszer milyen fázisban van egy adott paraméter, például hőmérséklet vagy nyomás mellett. És mivel a kutatók közvetlenül a fizikai rendszerből származó mérések mögöttes valószínűségi eloszlásait közelítik, az osztályozónak van rendszerismerete.
Ez lehetővé teszi, hogy módszerük jobban teljesítsen, mint más gépi tanulási technikák. Továbbá, mivel képes automatikusan működni, kiterjedt tanítás nélkül, megközelítésük jelentősen javítja a fázisátmenetek azonosításának számítási hatékonyságát.
Különböző bináris osztályozási feladatok megoldása
A tudósok ezt a megközelítést különböző bináris osztályozási feladatok megoldására is használhatják fizikai rendszerekben. Detektálhatják például az összefonódottságot kvantumrendszerekben (összefonódott-e az állapot vagy sem?), vagy meghatározhatják, hogy az A vagy B elmélet alkalmasabb-e egy adott probléma megoldására.
Ezt a módszert arra is használhatják, hogy jobban megértsék és fejlesszék a nagy nyelvi modelleket, mint például a ChatGPT, azáltal, hogy azonosítják, hogyan kell bizonyos paramétereket hangolni ahhoz, hogy a chatbot a legjobb kimeneteket adja.
A jövőben a kutatók elméleti garanciákat is szeretnének vizsgálni arra vonatkozóan, hogy hány mérésre lenne szükségük a fázisátmenetek hatékony detektálásához, és megbecsülik az ehhez szükséges számítási mennyiséget.
(Eredeti cikk: bigthink.com)
