هوش مصنوعی فیزیکدان شد/ استفاده از فناوری برای یافتن پاسخ سوالات پیچیده

آینده جهان با هوش مصنوعی (162)؛

محققان یک مدل هوش مصنوعی توسعه داده اند که می تواند به طور خودکار برای سیستم های فیزیکی جدید نمودار فاز ترسیم کند.

به گزارش خبرگزاری علم و فناوری ویکی سلامت به نقل از ام آی تی نیوز، هنگامی که آب یخ می زند، از فاز مایع به فاز جامد تبدیل می شود و در نتیجه خواصی مانند چگالی و حجم به شدت تغییر می کند. انتقال فاز در آب بسیار رایج است که احتمالاً اکثر ما حتی به آن فکر نمی کنیم، اما انتقال فاز در مواد جدید یا سیستم های فیزیکی پیچیده یک حوزه مهم مطالعه است.

برای درک کامل این سیستم ها، دانشمندان باید قادر به تشخیص فاز ها و تشخیص انتقال بین آنها باشند. اما چگونگی تعیین کمیت تغییرات فاز در یک سیستم ناشناخته اغلب نامشخص است، به خصوص زمانی که داده ها کمیاب هستند.

محققان دانشگاه ماساچوست (ام آی تی) و دانشگاه بازل در سوییس از مدل های هوش مصنوعی مولد برای این مشکل استفاده کردند و چارچوب یادگیری ماشینی جدیدی را توسعه دادند که می تواند به طور خودکار نمودار های فاز را برای سیستم های فیزیکی جدید ترسیم کند.

رویکرد یادگیری ماشینی آنها که ازعلم فیزیک آگاهی دارد، کارآمدتر از تکنیک های پر زحمت و دستی است که بر تخصص نظری تکیه دارند. نکته مهم این است که از آنجایی که رویکرد آنها از مدل های مولد استفاده می کند، نیازی به مجموعه داده های آموزشی بزرگ و برچسب گذاری شده مورد استفاده در سایر تکنیک های یادگیری ماشینی ندارد.

چنین چارچوبی می تواند به دانشمندان کمک کند تا خواص ترمودینامیکی مواد جدید را بررسی کنند یا مثلاً درهم تنیدگی را در سیستم های کوانتومی تشخیص دهند. در نهایت، این روش می تواند شرایطی را برای دانشمندان فراهم کند که فاز های ناشناخته ماده را به طور مستقل کشف کنند.

فرانک شافر (Frank Schäfer)، دانشمند فوق دکتری در آزمایشگاه جولیا در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و یکی از نویسندگان مقاله درباره این رویکرد گفت:اگر سیستم جدیدی با ویژگی های کاملاً ناشناخته دارید، چگونه کمیت قابل مشاهده را برای مطالعه انتخاب می کنید؟ امید این است که حداقل با ابزار های مبتنی بر داده، بتوانید سیستم های جدید بزرگ را به روشی خودکار اسکن کنید تا تغییرات مهم سیستم را به شما نشان دهد.

تشخیص انتقال فاز با استفاده از هوش مصنوعی

در حالی که انتقال آب به یخ ممکن است یکی از بارزترین نمونه های تغییر فاز باشد، تغییرات فاز عجیب تر، مانند زمانی که یک ماده از یک رسانای معمولی به یک ابررسانا تبدیل می شود، از موضوعات مورد علاقه دانشمندان است.

این انتقال ها را می توان با شناسایی یک «پارامتر سفارشی» تشخیص داد، کمیتی مهم که انتظار می رود تغییر کند. به عنوان مثال، وقتی دمای آب به زیر صفر درجه سانتیگراد می رسد، یخ می زند و به فاز جامد (یخ) تبدیل می شود. در این مورد، یک پارامتر ترتیب مناسب می تواند بر حسب نسبت مولکول های آب که بخشی از شبکه بلوری هستند در مقابل مولکول هایی که در حالت بی نظم باقی می مانند، تعریف شود.

در گذشته، محققان برای ساختن نمودار های فاز به صورت دستی، از درک نظری استفاده می کردند تا بدانند کدام پارامتر های ترتیب مهم هستند. این نه تنها برای سیستم های پیچیده خسته کننده و برای سیستم های ناشناخته با رفتار های جدید غیرممکن است، بلکه سوگیری انسان را نیز وارد راه حل می کند.

اخیراً، محققان شروع به استفاده از یادگیری ماشینی برای ساخت طبقه بندی کننده های متمایز کرده اند که می توانند این کار را با یادگیری طبقه بندی آمار اندازه گیری به عنوان حاصل از مرحله خاصی از سیستم فیزیکی حل کنند، به همان روشی که چنین مدل هایی تصویر را به عنوان گربه یا سگ طبقه بندی می کنند.