Forscher nutzen generative KI, um die Klassifizierung von Phasenübergängen zu vereinfachen

Forscher nutzen generative KI, um die Klassifizierung von Phasenübergängen zu vereinfachen
Forscher nutzen generative KI, um die Klassifizierung von Phasenübergängen zu vereinfachen
-

Forscher des MIT und der Universität Basel nutzten generative KI, um eine physikbasierte Technik zur Klassifizierung von Phasenübergängen in Materialien oder physikalischen Systemen zu entwickeln. Diese Methode ist wesentlich effizienter als herkömmliche Ansätze des maschinellen Lernens und könnte die Art und Weise, wie Wissenschaftler die Eigenschaften von Materialien untersuchen, verändern. Ihre Ergebnisse wurden kürzlich in der Fachzeitschrift veröffentlicht Briefe zur körperlichen Überprüfung.

Phasenübergänge verstehen

Phasendiagramme sind von grundlegender Bedeutung in der Physik und für das Verständnis des Verhaltens von Materialien unter verschiedenen Bedingungen unerlässlich. Sie beschreiben die Zustände, in denen ein Material existieren kann: Wasser kann beispielsweise als Eis, Flüssigkeit oder Dampf vorliegen. Zwischen diesen Phasen treten Phasenübergänge in Abhängigkeit verschiedener Parameter wie Temperatur oder Druck auf.

Phasenübergänge sind ein sehr aktives Forschungsthema. Wissenschaftler sind besonders an Übergängen in weniger konventionellen Materialien oder komplexen Systemen interessiert, beispielsweise dem Wechsel von einem gewöhnlichen Leiter zu einem Supraleiter oder von einem nichtmagnetischen Zustand in einen ferromagnetischen Zustand. Diese Übergänge werden mithilfe eines „Steuerparameters“ erkannt, der sich während des Phasenwechsels erheblich ändert.

Die Berechnung von Phasendiagrammen ist jedoch äußerst komplex und erfordert traditionell fundiertes theoretisches Fachwissen und langwierige manuelle Techniken. Tatsächlich bestehen physikalische Systeme aus zahlreichen Teilchen, die miteinander interagieren und eine Vielzahl möglicher Zustände erzeugen, die zuvor mithilfe neuronaler Netze klassifiziert wurden.

Julian Arnold, Doktorand in der Gruppe von Christoph Bruder an der Universität Basel, erklärt:

„Das Problem ist, dass ein Feststoff oder eine Flüssigkeit aus sehr vielen Teilchen – Atomen oder Molekülen – besteht. Diese Teilchen interagieren, das heißt sie ziehen sich gegenseitig an oder stoßen sie ab; Sie bilden ein sogenanntes N-Körper-System. Für den allgemeinen Zustand des Materials gibt es viele Möglichkeiten – charakterisiert durch die Position der Partikel, aber auch zusätzliche Eigenschaften, wie etwa die Spinorientierung, die die Richtung der Magnetisierung angeben.

Ein neuer Ansatz basierend auf generativer KI

Forscher des MIT und der Universität Basel nutzten generative KI-Modelle, um ein Framework für maschinelles Lernen zu entwickeln, das die Phasendiagramme physikalischer Systeme automatisch abbilden kann. Im Gegensatz zu diskriminierenden Klassifikatoren schätzen generative Modelle die Wahrscheinlichkeitsverteilung der Daten und können neue Datenpunkte generieren, die dieser Verteilung entsprechen, sodass ein physikbasierter Klassifikator erstellt werden kann, ohne dass große Mengen an Trainingsdaten erforderlich sind.

Dieser Ansatz ist inspiriert von generativen KI-Modellen wie ChatGPT, die mithilfe komplexer Algorithmen neue Inhalte aus vorhandenen Daten generieren. Durch die Anwendung dieser Technik auf physikalische Systeme können Forscher die Wahrscheinlichkeitsverteilungen von Systemzuständen näherungsweise abschätzen und so eine effizientere und genauere Klassifizierung von Phasen ermöglichen.

Frank Schäfer, Postdoktorand im Julia Lab des Computer Science and AI Laboratory (CSAIL) und Co-Autor, weist darauf hin:

„Es ist eine wirklich gute Möglichkeit, etwas, das Sie über Ihr physisches System wissen, tief in Ihr maschinelles Lernschema zu integrieren. Dies geht weit über die bloße Konstruktion von Merkmalen Ihrer Datenproben oder einfache induktive Verzerrungen hinaus.“.

Julian Arnold testet diese Methode derzeit an Modellen von Schwarzen Löchern, um deren Phasenübergänge zu erkennen. Zukünftig könnte diese Technik Physiklabore automatisieren, indem der Algorithmus automatisch Steuerungsparameter für Experimente einstellt und aus den Messdaten sofort Phasendiagramme berechnet. Wissenschaftler könnten diesen Ansatz auch nutzen, um verschiedene binäre Klassifizierungsaufgaben in physikalischen Systemen zu lösen.

Implikationen für Sprachmodelle

Interessanterweise kann diese von ChatGPT inspirierte Methode auch auf Sprachmodelle wie ChatGPT selbst angewendet werden. Beispielsweise kann die „Temperatur“ von ChatGPT angepasst werden, um die Kreativität des Algorithmus zu steuern. Eine niedrigere Temperatur führt zu vorhersehbaren Ergebnissen, während eine höhere Temperatur zu zufälligeren und chaotischeren Texten führt. Die Technik der Forscher könnte den optimalen Übergang zwischen diesen Phasen bestimmen und Sprachmodelle entsprechend anpassen.

Artikelquellen:

„Phasendiagramme mit generativen Klassifikatoren erstellen“ : https://doi.org/10.1103/PhysRevLett.132.207301

AUTOREN UND ZUGLIEDERUNGEN

Julian Arnold1, Frank Schäfer2von Alan Edelman2,3et Christoph Bruder1

  • 1Departement Physik, Universität Basel, Klingelbergstrasse 82, 4056 Basel, Schweiz
  • 2CSAIL, Massachusetts Institute of Technology, Cambridge, Massachusetts
  • 3Fakultät für Mathematik, Massachusetts Institute of Technology, Cambridge, Massachusetts

-

PREV Eine Höhle könnte als Basis für eine menschliche Kolonie dienen
NEXT Der Sternenregen, den Sie im Juli nicht verpassen sollten! Wie, wann und wo kann man sie sehen?