研究人员利用GenAI的强大功能创建了一个新的框架，该框架可以自动绘制新型物理系统的相图，并检测它们之间的转换。
在生成式人工智能的帮助下，麻省理工学院和瑞士巴塞尔大学的研究人员开发了一种新的机器学习框架，可以帮助发现有关材料科学的新见解。研究结果发表在《物理评论快报》（ArXiv版）上.
当水从液态转变为固态时，它会发生显着的转变特性，例如其体积和密度。水中的相变是如此普遍，以至于我们甚至没有想到它们，但这是一个复杂的物理系统。在相变过程中，材料的行为可能非常复杂，在分子水平上难以预测。
麻省理工学院和巴塞尔大学的研究人员利用GenAI的强大功能创建了一个新的框架，该框架可以自动绘制新型物理系统的相图，并检测它们之间的转换。
长期以来，科学家们一直对分子水平相变的突然性和不可预测性感到困惑。材料及其特性的多样性，加上稀疏的科学数据，增加了这一挑战。随着这个新框架的发展，这一切都将改变，这标志着新材料的发现和对其热力学特性的理解的重大飞跃。
“如果你有一个具有完全未知性质的新系统，你会如何选择要研究的可观测量？希望，至少使用数据驱动的工具，您可以以自动化的方式扫描大型新系统，它将为您指出系统中的重要变化。这可能是自动科学发现新的、奇异的相位特性的工具，“CSAIL朱莉娅实验室的博士后Frank Schäfer说，他是一篇关于这种方法的论文的合著者。
Schäfer与第一作者、巴塞尔大学研究生朱利安·阿诺德（Julian Arnold）一起参与了这项研究;艾伦·埃德尔曼（Alan Edelman），数学系应用数学教授，朱莉娅实验室负责人;以及资深作者、巴塞尔大学物理系教授克里斯托夫·布鲁德（Christoph Bruder）。
这一研究突破使科学家有可能发现未知的物质相。水从液态到固态的转变是相变最明显的例子。还有其他更复杂、更复杂的材料转变，例如当材料随着状态变化而改变电导率特性时。
传统的科学方法依赖于对物理状态的理论理解，需要科学家手动构建相图。这些方法有严重的局限性，包括无法绘制出高度复杂系统的相图，引入人为偏见的风险，以及仅对哪些参数具有重要参数的理论假设的局限性。
来自麻省理工学院和巴塞尔大学的团队使用基于物理学的GenAI模型来分析“有序参数”，这是一个可测量的量，表明相变过程中的有序程度。例如，阶次参数可用于定义处于结构状态的水分子与保持无序状态的水分子的比例。
Julia 编程语言以其在科学和技术计算方面的出色表现而闻名，在制作新的 ML 模型方面发挥了重要作用。据报道，论文中发表的方法在计算效率方面优于其他ML技术。
这项研究有可能改变材料科学和量子物理学领域。新框架不仅可用于解决物理系统中的分类任务，还可以通过确定如何微调某些参数以获得更好的输出，在改进大型语言模型 （LLM） 方面发挥关键作用。
EnterpriseAI.news 上的相关项目
- Google DeepMind 的新 AlphaFold 模型有望彻底改变药物发现
- 药物开发人员利用 Google Cloud HPC 对抗 ALS
- 麻省理工学院的研究人员利用人工智能来识别可以杀死耐药细菌的抗生素
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
