اپتیک و کوانتوم

برای درک کامل این سیستم ها، دانشمندان باید قادر به تشخیص فازها و تشخیص انتقال بین آنها باشند. اما چگونگی تعیین کمیت تغییرات فاز در یک سیستم ناشناخته اغلب مشخص نیست، به خصوص زمانی که داده ها کمیاب هستند. محققان MIT و دانشگاه بازل در سوئیس از مدل‌های هوش مصنوعی مولد برای این مشکل استفاده کردند و چارچوب یادگیری ماشینی جدیدی را توسعه دادند که می‌تواند به طور خودکار نمودارهای فاز را برای سیستم‌های فیزیکی جدید ترسیم کند. رویکرد یادگیری ماشینی آنها که از فیزیک آگاه است، کارآمدتر از تکنیک‌های پر زحمت و دستی است که بر تخصص نظری تکیه دارند. از آنجایی که رویکرد آن‌ها از مدل‌های مولد استفاده می‌کند، نیازی به مجموعه داده‌های آموزشی بزرگ و برچسب‌گذاری‌شده که در سایر تکنیک‌های یادگیری ماشینی استفاده می‌شوند، 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 تکنیک می تواند این امکان را برای دانشمندان فراهم کند که فازهای ناشناخته ماده را به طور مستقل کشف کنند.

در حالی که انتقال آب به یخ ممکن است یکی از بارزترین نمونه‌های تغییر فاز باشد، تغییرات فاز عجیب‌تر، مانند زمانی که یک ماده از یک رسانای معمولی به یک ابررسانا تبدیل می‌شود، مورد علاقه دانشمندان است. این انتقال ها را می توان با شناسایی یک «پارامتر سفارش»، کمیتی که مهم است و انتظار می رود تغییر کند، شناسایی کرد. به عنوان مثال، زمانی که دمای آب به زیر صفر درجه سانتی گراد می رسد، یخ می زند و به فاز جامد (یخ) تبدیل می شود. در این مورد، یک پارامتر ترتیب مناسب می‌تواند بر حسب نسبت مولکول‌های آب که بخشی از شبکه بلوری هستند در مقابل مولکول‌هایی که در حالت بی‌نظم باقی می‌مانند، تعریف شود.

در گذشته، محققان برای ساختن نمودارهای فاز به صورت دستی بر تخصص فیزیک تکیه می کردند و از درک نظری استفاده می کردند تا بدانند کدام پارامترهای ترتیب مهم هستند. این نه تنها برای سیستم های پیچیده خسته کننده بلکه برای سیستم های ناشناخته با رفتارهای جدید غیرممکن است. اخیراً، محققان شروع به استفاده از یادگیری ماشینی برای ساخت طبقه‌بندی‌کننده‌های متمایز کرده‌اند که می‌توانند این کار را با یادگیری طبقه‌بندی آمار اندازه‌گیری به‌عنوان حاصل از مرحله خاصی از سیستم فیزیکی حل کنند.

محققان MIT نشان دادند که چگونه می‌توان از مدل‌های مولد برای حل این کار طبقه‌بندی بسیار کارآمدتر و به شیوه‌ای با اطلاعات فیزیک استفاده کرد. Schäfer بیان می کند که زبان برنامه نویسی جولیا، یک زبان محبوب برای محاسبات علمی که در کلاس های مقدماتی جبر خطی MIT نیز استفاده می شود، ابزارهای زیادی را ارائه می دهد که آن را برای ساخت چنین مدل های تولیدی ارزشمند می کند. مدل‌های تولیدی، مانند مدل‌هایی که زیربنای ChatGPT و Dall-E هستند، معمولاً با تخمین توزیع احتمال برخی از داده‌ها کار می‌کنند که از آن برای تولید نقاط داده جدید متناسب با توزیع استفاده می‌کنند.

با این حال، زمانی که شبیه‌سازی‌های یک سیستم فیزیکی با استفاده از تکنیک‌های علمی آزمایش‌شده و واقعی در دسترس باشد، محققان مدلی از توزیع احتمال آن را به صورت رایگان دریافت می‌کنند. این توزیع آمار اندازه گیری سیستم فیزیکی را توصیف می کند. بینش تیم MIT این است که این توزیع احتمال همچنین یک مدل تولیدی را تعریف می‌کند که بر اساس آن یک طبقه‌بندی کننده می‌تواند ایجاد شود. آن‌ها مدل تولیدی را به فرمول‌های آماری استاندارد متصل می‌کنند تا به‌جای یادگیری آن از نمونه‌ها، مستقیماً یک طبقه‌بندی کننده بسازند، همانطور که با رویکردهای متمایز انجام شد.

More information: Julian Arnold et al, Mapping out phase diagrams with generative classifiers, Physical Review Letters (2024)