沃卡惠在生成式人工智能（GenAI）幫助下，麻省理工和瑞士巴塞爾大學的研究人員開發了一種新的機器學習（ML）框架，可以幫助發現關于材料科學的新見解。這項研究的結果發表在《物理評論快報》上。
當水從液體轉變為固體時，它經歷了重要的轉變性質，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。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性的。
麻省理工和巴塞爾大學的研究人員利用GenAI的力量創建了一個新的框架，可以自動繪制新的物理系統的相圖，并檢測它們之間的轉換。
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，加上稀少的科學數據，增加了挑戰。這一切都將隨著這個新框架的發展而改變，它標志著新材料的發現和對其熱力學性質的理解的重大飛躍。
“如果你有一個具有完全未知屬性的新系統，你將如何選擇研究哪個可觀測量?我們希望，至少對于數據驅動的工具，可以以自動化的方式掃描大型新系統，并且它將為你指出系統中的重要更改。這可能是自動科學發現新的、奇特的相特性的一個工具。” Frank Schäfer說，他是CSAILJulia實驗室的博士后，也是關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；還包括數學系應用數學教授、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現物質的未知相。水從液體到固體的轉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變，例如當材料的電導率隨狀態變化而變化時。
傳統的科學方法依賴于對物理狀態的理論理解，并要求科學家手動構建相圖。這些方法有嚴重的局限性，包括無法為高度復雜的系統繪制相圖，人為偏差的風險，以及僅局限于對哪些參數是重要的理論假設。
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”，這是一個可測量的量，表明了整個相變的有序程度。例如，一個有序參數可以用來定義處于有序狀態的水分子和處于無序狀態的水分子的比例。
在科學和技術計算方面的杰出表現而聞名的Julia編程語言在構建新的ML模型方面發揮了重要作用。據報道，論文中發表的方法在計算效率方面優于其他ML技術。
這項研究具有改變材料科學和量子物理學領域的潛力。新框架不僅可以用于解決物理系統中的分類任務，而且還可以通過確定如何微調某些參數以獲得更好的輸出，在改進大型語言模型(LLM)方面發揮關鍵作用。
