IA generativa detecta cambios de fase en sistemas físicos

Un grupo de investigadores desarrolló un método basado en inteligencia artificial generativa capaz de mapear automáticamente diagramas de fase en sistemas físicos novedosos, incluso cuando hay poca información disponible sobre ellos.

El trabajo, publicado en la revista Physical Review Letters, combina técnicas de aprendizaje automático con conocimiento físico para detectar transiciones de fase, como el paso de un material de conductor normal a superconductor, sin depender de los métodos manuales tradicionales.

El nuevo enfoque no requiere los enormes conjuntos de datos etiquetados que suelen necesitar otras técnicas de machine learning, lo que lo hace más eficiente que los métodos que dependen de la experiencia teórica de especialistas.

Cómo funciona el modelo

Para identificar una transición de fase, los científicos suelen recurrir a un "parámetro de orden": una magnitud que cambia de forma notoria cuando el sistema pasa de un estado a otro. En el caso del agua que se congela, por ejemplo, ese parámetro puede definirse según la proporción de moléculas que forman una red cristalina frente a las que permanecen en estado desordenado.

Hasta ahora, definir ese parámetro de orden exigía conocimiento teórico previo del sistema, algo que se vuelve poco práctico o directamente imposible cuando se trata de sistemas desconocidos con comportamientos nuevos. Además, ese proceso manual introduce sesgos humanos en el resultado.

Otros equipos ya habían recurrido a modelos de aprendizaje automático "discriminativos", que clasifican mediciones según la fase física de la que provienen, de forma similar a como un sistema de IA distingue una imagen de un gato de una de un perro.

La diferencia del nuevo método es que utiliza modelos generativos —de la misma familia que los que dan sustento a herramientas como ChatGPT o Dall-E— para resolver esa clasificación de manera más eficiente. Estos modelos estiman la distribución de probabilidad de los datos y, a partir de ahí, generan nuevos datos que se ajustan a ese patrón.

Cuando existe una simulación confiable del sistema físico mediante técnicas científicas ya validadas, los investigadores obtienen "gratis" un modelo de esa distribución de probabilidad. Esa distribución describe las estadísticas de medición del sistema y puede usarse para construir directamente un clasificador, en lugar de tener que entrenarlo a partir de muestras.

• El clasificador puede determinar en qué fase se encuentra un sistema según variables como temperatura o presión.
• Al incorporar conocimiento físico del sistema, el modelo supera en rendimiento a otras técnicas de aprendizaje automático.
• Funciona de manera automática, sin necesidad de entrenamientos extensos, lo que mejora la eficiencia computacional del proceso.

Posibles aplicaciones futuras

Según los autores, el modelo permite hacerle al sistema preguntas del tipo "¿esta muestra pertenece a la fase I o a la fase II?" o "¿fue generada a alta o baja temperatura?", de forma similar a como se le pediría a un chatbot que resuelva un problema matemático.

El método también podría aplicarse para detectar entrelazamiento en sistemas cuánticos o para determinar qué marco teórico es más adecuado para resolver un problema físico determinado. Los investigadores señalan además que la técnica podría emplearse para ajustar parámetros de modelos de lenguaje como ChatGPT y mejorar sus respuestas.

Como próximo paso, el equipo planea estudiar cuántas mediciones serían necesarias, en teoría, para detectar transiciones de fase de manera efectiva, y estimar la capacidad de cómputo que ese proceso demandaría.

El trabajo fue financiado por la Fundación Nacional de Ciencia de Suiza, un fondo semilla conjunto entre el MIT y Lockheed Martin en Suiza, y las Iniciativas Internacionales de Ciencia y Tecnología del MIT.