在生成式人工智能（GenAI）幫助下，麻省理工和瑞士巴塞爾大學的研究人員開發(fā)了一種新的機器學習（ML）框架，可以幫助發(fā)現(xiàn)關(guān)于材料科學的新見解。這項研究的結(jié)果發(fā)表在《物理評論快報》上。

當水從液體轉(zhuǎn)變?yōu)楣腆w時，它經(jīng)歷了重要的轉(zhuǎn)變性質(zhì)，如體積和密度。水的相變很常見，我們甚至沒有認真考慮過它們，但這是一個復雜的物理系統(tǒng)。在相變過程中，在分子水平上預測材料的行為是非常復雜和具有挑戰(zhàn)性的。

麻省理工和巴塞爾大學的研究人員利用GenAI的力量創(chuàng)建了一個新的框架，可以自動繪制新的物理系統(tǒng)的相圖，并檢測它們之間的轉(zhuǎn)換。

長期以來，科學家們一直對分子水平上的相變的突然性和不可預測性感到困惑。材料及其特性的多樣性，加上稀少的科學數(shù)據(jù)，增加了挑戰(zhàn)。這一切都將隨著這個新框架的發(fā)展而改變，它標志著新材料的發(fā)現(xiàn)和對其熱力學性質(zhì)的理解的重大飛躍。

“如果你有一個具有完全未知屬性的新系統(tǒng)，你將如何選擇研究哪個可觀測量?我們希望，至少對于數(shù)據(jù)驅(qū)動的工具，可以以自動化的方式掃描大型新系統(tǒng)，并且它將為你指出系統(tǒng)中的重要更改。這可能是自動科學發(fā)現(xiàn)新的、奇特的相特性的一個工具?！?Frank Sch?fer說，他是CSAILJulia實驗室的博士后，也是關(guān)于這種方法的論文的合著者。

參與研究的第一作者是巴塞爾大學的研究生Julian Arnold；還包括數(shù)學系應用數(shù)學教授、Julia實驗室負責人Alan Edelman；以及巴塞爾大學物理系教授、資深作者Christoph Bruder。

這項研究的突破使科學家們有可能發(fā)現(xiàn)物質(zhì)的未知相。水從液體到固體的轉(zhuǎn)變是相變最明顯的例子。還有其他更復雜和更復雜的材料轉(zhuǎn)變，例如當材料的電導率隨狀態(tài)變化而變化時。

傳統(tǒng)的科學方法依賴于對物理狀態(tài)的理論理解，并要求科學家手動構(gòu)建相圖。這些方法有嚴重的局限性，包括無法為高度復雜的系統(tǒng)繪制相圖，人為偏差的風險，以及僅局限于對哪些參數(shù)是重要的理論假設(shè)。

來自麻省理工學院和巴塞爾大學的研究小組采用了物理學知識的GenAI模型來分析“有序參數(shù)”，這是一個可測量的量，表明了整個相變的有序程度。例如，一個有序參數(shù)可以用來定義處于有序狀態(tài)的水分子和處于無序狀態(tài)的水分子的比例。

在科學和技術(shù)計算方面的杰出表現(xiàn)而聞名的Julia編程語言在構(gòu)建新的ML模型方面發(fā)揮了重要作用。據(jù)報道，論文中發(fā)表的方法在計算效率方面優(yōu)于其他ML技術(shù)。

這項研究具有改變材料科學和量子物理學領(lǐng)域的潛力。新框架不僅可以用于解決物理系統(tǒng)中的分類任務，而且還可以通過確定如何微調(diào)某些參數(shù)以獲得更好的輸出，在改進大型語言模型(LLM)方面發(fā)揮關(guān)鍵作用。