Los investigadores utilizan IA generativa para simplificar la clasificación de las transiciones de fase

Los investigadores utilizan IA generativa para simplificar la clasificación de las transiciones de fase
Los investigadores utilizan IA generativa para simplificar la clasificación de las transiciones de fase
-

Investigadores del MIT y la Universidad de Basilea utilizaron IA generativa para desarrollar una técnica basada en la física para clasificar las transiciones de fase en materiales o sistemas físicos. Este método, significativamente más eficiente que los enfoques tradicionales de aprendizaje automático, podría transformar la forma en que los científicos exploran las propiedades de los materiales. Sus resultados fueron publicados recientemente en la revista Cartas de revisión física.

Comprender las transiciones de fase

Los diagramas de fases son fundamentales en física y esenciales para comprender el comportamiento de los materiales en diversas condiciones. Describen los estados en los que puede existir un material: el agua, por ejemplo, se puede encontrar en forma de hielo, líquido o vapor. Entre estas fases se producen transiciones de fase dependiendo de diferentes parámetros como la temperatura o la presión.

Las transiciones de fase son un tema de investigación muy activo; los científicos están particularmente interesados ​​en las transiciones en materiales menos convencionales o sistemas complejos, como el cambio de un conductor ordinario a un superconductor o de un estado no magnético a un estado ferromagnético. Estas transiciones se detectan mediante un “parámetro de control” que varía significativamente durante el cambio de fase.

Sin embargo, el cálculo de diagramas de fases es extremadamente complejo y tradicionalmente depende de una profunda experiencia teórica y de tediosas técnicas manuales. De hecho, los sistemas físicos están formados por numerosas partículas que interactúan entre sí, creando multitud de estados posibles, estados que antes se clasificaban mediante redes neuronales.

Julian Arnold, estudiante de doctorado del grupo de Christoph Bruder en la Universidad de Basilea, explica:

“El problema es que un sólido o un líquido está formado por muchísimas partículas: átomos o moléculas. Estas partículas interactúan, es decir se atraen o se repelen; Forman lo que se llama un sistema de N-cuerpos. Hay muchas posibilidades para el estado general del material, caracterizado por la posición de las partículas, pero también por propiedades adicionales, como la orientación del espín, que indican la dirección de la magnetización.

Un nuevo enfoque basado en la IA generativa

Investigadores del MIT y la Universidad de Basilea aprovecharon modelos de IA generativa para desarrollar un marco de aprendizaje automático que puede mapear automáticamente los diagramas de fase de los sistemas físicos. A diferencia de los clasificadores discriminativos, los modelos generativos estiman la distribución de probabilidad de los datos y pueden generar nuevos puntos de datos que coincidan con esa distribución, lo que permite construir un clasificador basado en la física sin requerir grandes cantidades de datos de entrenamiento.

Este enfoque está inspirado en modelos de IA generativa como ChatGPT, que utilizan algoritmos complejos para generar contenido nuevo a partir de datos existentes. Al aplicar esta técnica a sistemas físicos, los investigadores pueden estimar aproximadamente las distribuciones de probabilidad de los estados del sistema, lo que permite una clasificación de fases más eficiente y precisa.

Frank Schäfer, becario postdoctoral en el Laboratorio Julia del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y coautor, señala:

“Es una muy buena manera de incorporar profundamente algo que sabes sobre tu sistema físico en tu esquema de aprendizaje automático. Esto va mucho más allá de simplemente diseñar características en sus muestras de datos o simples sesgos inductivos”..

Julian Arnold está probando actualmente este método en modelos de agujeros negros para detectar sus transiciones de fase. En el futuro, esta técnica podría automatizar los laboratorios de física, con el algoritmo estableciendo automáticamente parámetros de control para los experimentos y calculando inmediatamente diagramas de fase a partir de los datos medidos. Los científicos también podrían utilizar este enfoque para resolver diferentes tareas de clasificación binaria en sistemas físicos.

Implicaciones para los modelos lingüísticos

Curiosamente, este método inspirado en ChatGPT también se puede aplicar a modelos de lenguaje como el propio ChatGPT. Por ejemplo, la “temperatura” de ChatGPT se puede ajustar para controlar la creatividad del algoritmo. Una temperatura más baja produce resultados predecibles, mientras que una temperatura más alta produce un texto más aleatorio y caótico. La técnica de los investigadores podría determinar la transición óptima entre estas fases y ajustar los modelos lingüísticos en consecuencia.

Fuentes del artículo:

“Trazado de diagramas de fases con clasificadores generativos” : https://doi.org/10.1103/PhysRevLett.132.207301

AUTORES Y AFILIACIONES

Julián Arnold1Frank Schäfer2por Alan Edelman2,3y Christoph Bruder1

  • 1Departamento de Física, Universidad de Basilea, Klingelbergstrasse 82, 4056 Basilea, Suiza
  • 2CSAIL, Instituto Tecnológico de Massachusetts, Cambridge, Massachusetts
  • 3Departamento de Matemáticas, Instituto de Tecnología de Massachusetts, Cambridge, Massachusetts

-

PREV Para Eddy Cue, el audio espacial hace que Apple Music se destaque
NEXT Descargar Noplace para Web, iOS