Los Investigadores del MIT unieron fuerzas con la Universidad de Basilea en Suiza para resolver un complejo problema de cuantificación física en materiales novedosos. Habitualmente se presentan sistemas cuyas fases y transiciones son difíciles de reconocer, por lo cual se vuele difícil también cuantificar los cambios. Es por esta razón que los investigadores de ambas universidades desarrollaron modelos de inteligencia artificial generativa. Este sistema permite desarrollar un nuevo marco de aprendizaje automático que puede trazar diagramas de fase para sistemas físicos novedosos.
A través de un enfoque de aprendizaje automático, la cuantificación física se vuelve más eficiente. Mientras, habitualmente se utilizaban laboriosas técnicas manuales que se basaban en conocimientos teóricos, el nuevo enfoque se aprovecha de los modelos generativos. El sistema no requiere de una enorme cantidad de datos de entrenamiento etiquetados que se suelen utilizar en otras técnicas de aprendizaje automático.
Según Frank Schäfer, postdoctorado en el Laboratorio Julia del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), "si tienes un sistema nuevo con propiedades totalmente desconocidas, es difícil elegir la cantidad observable a estudiar. La esperanza, al menos con las herramientas basadas en datos, es que se puedan escanear sistemas nuevos y grandes de forma automatizada y esto indicará cambios importantes en el sistema. Esto podría ser una herramienta en el proceso de descubrimiento científico automatizado de propiedades nuevas y exóticas de las fases".
Este nuevo modelo permite encontrar y diferenciar diferentes grados de la materia. Por ejemplo, los científicos podrían investigar más fácilmente las propiedades termodinámicas de nuevos materiales o detectar entrelazamientos en sistemas cuánticos. Además, también se puede observar con más precisión cómo un material pasa de ser un conductor normal a un superconductor.
Así, el procedimiento consiste en identificar un "parámetro de orden", una cantidad que es importante y se espera cambie. Mientras, tradicionalmente los investigadores confiaban en la experiencia en física para construir diagramas de fases manualmente con base en conocimientos teóricos, el aprendizaje automático desarrollado por los científicos del MIT y la Universidad de Basilea permite construir clasificadores discriminativos. Estos tienen la capacidad de resolver esta tarea clasificando una estadística de medición como proveniente de una fase particular del sistema físico.
"Esta es una forma realmente agradable de incorporar algo que sabes sobre tu sistema físico en lo más profundo de tu esquema de aprendizaje automático. Va mucho más allá de simplemente realizar ingeniería de características en sus muestras de datos o simples sesgos inductivos", afirma Schäfer, quien planea junto al equipo del MIT un modelo generativo sobre el cual se pueda construir un clasificador. (Notipress)
.gif)