MIT: Gli scienziati utilizzano l’intelligenza artificiale generativa per rispondere a domande complesse di fisica – Agenparl

(AGENPARL) – Roma, 16 Maggio 2024

Una nuova tecnica in grado di classificare automaticamente le fasi dei sistemi fisici potrebbe rivoluzionare lo studio dei nuovi materiali. Quando l’acqua congela, passa dalla fase liquida a quella solida, determinando un drastico cambiamento nelle proprietà come densità e volume. Le transizioni di fase nell’acqua sono così comuni che la maggior parte di noi probabilmente non ci pensa nemmeno, ma le transizioni di fase in nuovi materiali o sistemi fisici complessi sono un’importante area di studio.

L’importanza delle transizioni di fase

Per comprendere appieno questi sistemi, gli scienziati devono essere in grado di riconoscere le fasi e rilevare le transizioni tra di esse. Tuttavia, quantificare i cambiamenti di fase in un sistema sconosciuto è spesso complicato, soprattutto quando i dati sono scarsi.

Un nuovo approccio basato sull’intelligenza artificiale

I ricercatori del MIT e dell’Università di Basilea in Svizzera hanno sviluppato un innovativo quadro di apprendimento automatico per mappare automaticamente i diagrammi di fase per nuovi sistemi fisici. Questo metodo sfrutta modelli di intelligenza artificiale generativa, risultando più efficiente delle tecniche manuali che si basano sulla competenza teorica.

Vantaggi dei modelli generativi

Il nuovo approccio non richiede enormi set di dati di addestramento etichettati, tipici di altre tecniche di apprendimento automatico. Questo potrebbe aiutare gli scienziati a studiare le proprietà termodinamiche di nuovi materiali o a rilevare l’entanglement nei sistemi quantistici. La tecnica potrebbe permettere agli scienziati di scoprire in modo autonomo fasi sconosciute della materia.

“Se avessi un nuovo sistema con proprietà completamente sconosciute, come sceglieresti quale quantità osservabile studiare? La speranza è che si possano scansionare nuovi sistemi di grandi dimensioni in modo automatizzato e ciò indicherà importanti cambiamenti nel sistema,” afferma Frank Schäfer, postdoc presso il Julia Lab del Computer Science and Artificial Intelligence Laboratory (CSAIL) e coautore di un articolo su questo approccio.

Collaborazioni e pubblicazioni

Insieme a Schäfer, il primo autore Julian Arnold, studente laureato presso l’Università di Basilea; Alan Edelman, professore di matematica applicata presso il Dipartimento di Matematica e leader del Julia Lab; e l’autore senior Christoph Bruder, professore presso il Dipartimento di Fisica dell’Università di Basilea, hanno pubblicato la loro ricerca su Physical Review Letters.

Rilevamento delle transizioni di fase

Transizioni di fase esotiche, come il passaggio di un materiale da normale conduttore a superconduttore, sono di grande interesse per gli scienziati. Queste transizioni possono essere rilevate identificando un “parametro d’ordine”, una quantità destinata a cambiare. In passato, i ricercatori si affidavano alle competenze fisiche per costruire manualmente i diagrammi di fase. Tuttavia, questo metodo è laborioso e introduce il pregiudizio umano nella soluzione.

Recentemente, i ricercatori hanno iniziato a utilizzare l’apprendimento automatico per costruire classificatori discriminativi, che imparano a classificare una misurazione statistica come proveniente da una particolare fase del sistema fisico.

L’innovazione del MIT

I ricercatori del MIT hanno dimostrato come i modelli generativi possano essere utilizzati per risolvere questo compito di classificazione in modo molto più efficiente e basato sulla fisica. Il linguaggio di programmazione Julia offre molti strumenti preziosi per la costruzione di tali modelli generativi.

Modelli generativi e fisica

I modelli generativi, come quelli alla base di ChatGPT, stimano la distribuzione di probabilità di alcuni dati per generare nuovi punti dati. Quando sono disponibili simulazioni di un sistema fisico, i ricercatori ottengono gratuitamente un modello della sua distribuzione di probabilità, utile per costruire un classificatore.

Un classificatore più consapevole

L’intuizione del team del MIT è che questa distribuzione di probabilità definisce un modello generativo su cui può essere costruito un classificatore. Questo classificatore generativo può determinare in quale fase si trova il sistema in base a parametri come temperatura o pressione, migliorando significativamente l’efficienza computazionale nell’identificazione delle transizioni di fase.

Alla fine, i ricercatori possono porre domande al classificatore generativo su campioni specifici o utilizzare questo approccio per risolvere diversi compiti di classificazione binaria nei sistemi fisici.

Prospettive future

In futuro, i ricercatori vogliono studiare le garanzie teoriche relative al numero di misurazioni necessarie per rilevare efficacemente le transizioni di fase e stimare la quantità di calcoli necessari.

Questo lavoro è stato finanziato, in parte, dal Fondo nazionale svizzero per la scienza, dal Fondo svizzero Lockheed Martin Seed del MIT e dalle Iniziative scientifiche e tecnologiche internazionali del MIT.