هوش مصنوعی فیزیکدان شد/ استفاده از فناوری برای یافتن پاسخ سوالات پیچیده
به گزارش خبرگزاری علم و فناوری آنا به نقل از ام آی تی نیوز، هنگامی که آب یخ میزند، از فاز مایع به فاز جامد تبدیل میشود و در نتیجه خواصی مانند چگالی و حجم به شدت تغییر میکند. انتقال فاز در آب بسیار رایج است که احتمالاً اکثر ما حتی به آن فکر نمیکنیم؛ اما انتقال فاز در مواد جدید یا سیستمهای فیزیکی پیچیده یک حوزه مهم مطالعه است.
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 نامشخص است، به خصوص زمانی که دادهها کمیاب هستند.
محققان دانشگاه ماساچوست (ام آی تی) 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 ازعلم فیزیک آگاهی دارد، کارآمدتر از تکنیکهای پر زحمت و دستی است که بر تخصص نظری تکیه دارند. نکته مهم این است که از آنجایی که رویکرد آنها از مدلهای مولد استفاده میکند، نیازی به مجموعه دادههای آموزشی بزرگ و برچسبگذاری شده مورد استفاده در سایر تکنیکهای یادگیری ماشینی ندارد.
چنین چارچوبی میتواند به دانشمندان کمک کند تا خواص ترمودینامیکی مواد جدید را بررسی کنند یا مثلاً درهم تنیدگی را در سیستمهای کوانتومی تشخیص دهند. در نهایت، این روش میتواند شرایطی را برای دانشمندان فراهم کند که فازهای ناشناخته ماده را به طور مستقل کشف کنند.
فرانک شافر (Frank Schäfer)، دانشمند فوق دکتری در آزمایشگاه جولیا در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و یکی از نویسندگان مقاله درباره این رویکرد گفت:اگر سیستم جدیدی با ویژگیهای کاملاً ناشناخته دارید، چگونه کمیت قابل مشاهده را برای مطالعه انتخاب میکنید؟ امید این است که حداقل با ابزارهای مبتنی بر داده، بتوانید سیستمهای جدید بزرگ را به روشی خودکار اسکن کنید تا تغییرات مهم سیستم را به شما نشان دهد.
تشخیص انتقال فاز با استفاده از هوش مصنوعی
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، از موضوعات مورد علاقه دانشمندان است.
این انتقالها را میتوان با شناسایی یک «پارامتر سفارشی» تشخیص داد، کمیتی مهم که انتظار میرود تغییر کند. به عنوان مثال، وقتی دمای آب به زیر صفر درجه سانتیگراد میرسد، یخ میزند و به فاز جامد (یخ) تبدیل میشود. 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، از درک نظری استفاده میکردند تا بدانند کدام پارامترهای ترتیب مهم هستند. این نه تنها برای سیستمهای پیچیده خسته کننده و برای سیستمهای ناشناخته با رفتارهای جدید غیرممکن است، بلکه سوگیری انسان را نیز وارد راه حل میکند.
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، به همان روشی که چنین مدلهایی تصویر را به عنوان گربه یا سگ طبقهبندی میکنند.
انتهای پیام/