AI yang Digunakan Para Ilmuwan untuk Mengatasi Pertanyaan Fisika yang Sulit

Foto dari Canva

Melontraffickers - Ketika air mengalami pembekuan, ia berubah dari fase cair ke fase padat, menyebabkan perubahan dramatis dalam sifat-sifat seperti kepadatan dan volume. Meskipun transisi fase dalam air adalah hal yang umum dan sering terjadi, kita mungkin tidak terlalu memperhatikannya. Namun, dalam bahan atau sistem fisik yang baru, transisi fase menjadi bidang studi yang sangat penting.

Untuk sepenuhnya memahami sistem ini, ilmuwan perlu mengidentifikasi fase-fase yang ada dan mengenali transisi di antara mereka. Namun, cara untuk mengukur perubahan fase dalam sistem yang tidak dikenal seringkali kabur, terutama ketika data terbatas.

Tim peneliti dari Massachusetts Institute of Technology (MIT) dan Universitas Basel di Swiss telah mengadopsi pendekatan menggunakan model kecerdasan buatan generatif untuk menangani tantangan ini. Mereka telah mengembangkan kerangka pembelajaran mesin baru yang dapat secara otomatis memetakan diagram fase untuk sistem fisik yang belum dikenal.

Metode pembelajaran mesin yang berakar pada prinsip fisika terbukti lebih efisien daripada teknik manual yang memakan waktu dan bergantung pada pengetahuan teoretis. Pentingnya pendekatan ini terletak pada penggunaan model generatif, yang tidak memerlukan dataset besar dengan label seperti yang dibutuhkan oleh teknik pembelajaran mesin konvensional.

Kerangka kerja semacam itu dapat membantu ilmuwan dalam menyelidiki sifat-sifat termodinamika dari material baru atau mendeteksi keterikatan dalam sistem kuantum. Pada akhirnya, metode ini memungkinkan para ilmuwan untuk menemukan fase materi yang sebelumnya tidak diketahui secara mandiri.

Frank Schäfer, seorang peneliti pascadoktoral di Julia Lab di Computer Science and Artificial Intelligence Laboratory (CSAIL), mengungkapkan, "Jika Anda memiliki sistem baru dengan properti yang belum diketahui, bagaimana Anda memilih variabel yang dapat diamati untuk dipelajari? Harapannya, dengan menggunakan alat berbasis data, Anda dapat secara otomatis memetakan sistem baru tersebut, yang akan mengungkapkan perubahan penting dalam sistem. Ini mungkin akan menjadi alat dalam proses penemuan ilmiah otomatis tentang sifat-sifat fase yang baru dan eksotis."

Penulis pertama dalam makalah ini adalah Julian Arnold, seorang mahasiswa pascasarjana di Universitas Basel, yang bergabung dengan Schäfer. Turut serta dalam penulisan adalah Alan Edelman, seorang profesor matematika terapan di Departemen Matematika dan kepala Julia Lab, serta penulis senior Christoph Bruder, seorang profesor di Departemen Fisika di Universitas Basel. Penelitian ini telah diterbitkan hari ini di Physical Review Letters.

Mendeteksi transisi fase menggunakan AI

Meskipun perubahan fase air menjadi es sering dianggap sebagai contoh yang paling jelas, transisi fasa yang lebih eksotis, seperti perubahan material dari konduktor biasa menjadi superkonduktor, menarik minat ilmuwan.

Transisi ini dapat diidentifikasi melalui apa yang disebut "parameter pesanan", yang diperkirakan akan berubah saat transisi terjadi. Sebagai contoh, saat air membeku dan berubah menjadi fase padat (es) pada suhu di bawah 0 derajat Celsius, parameter keteraturan yang relevan adalah proporsi molekul air yang teratur dalam kisi kristal dibandingkan dengan yang tetap tidak teratur.

Di masa lalu, para peneliti bergantung pada pengetahuan fisika untuk membuat diagram fase secara manual, menggunakan pemahaman teoritis untuk menentukan parameter mana yang penting. Pendekatan ini tidak hanya melelahkan untuk sistem yang kompleks, dan mungkin tidak memungkinkan untuk sistem dengan perilaku baru yang tidak dikenal, tetapi juga rentan terhadap bias manusia dalam pemecahannya.

Baru-baru ini, para peneliti mulai mengadopsi pembelajaran mesin untuk membangun pengklasifikasi diskriminatif yang mampu menangani tugas ini dengan mempelajari statistik pengukuran yang berasal dari fase tertentu dari sistem fisik, mirip dengan cara model mengenali gambar sebagai kucing atau anjing.

Para peneliti di MIT telah menunjukkan bagaimana model generatif dapat digunakan untuk menyelesaikan tugas klasifikasi ini dengan lebih efisien, dan dengan pendekatan yang berbasis pada informasi fisika.

Bahasa Pemrograman Julia, yang merupakan bahasa yang populer dalam komputasi ilmiah dan digunakan dalam kelas pengantar aljabar linier di MIT, menawarkan banyak alat yang sangat berharga dalam membangun model generatif seperti ini, tambah Schäfer.

Model generatif, seperti yang mendasari ChatGPT dan Dall-E, umumnya bekerja dengan memperkirakan distribusi probabilitas dari beberapa data, yang digunakan untuk menghasilkan data baru yang sesuai dengan distribusi tersebut (misalnya, gambar kucing baru yang mirip dengan gambar kucing yang sudah ada).

Namun, ketika melakukan simulasi sistem fisik dengan menggunakan teknik ilmiah yang terbukti efektif, peneliti memperoleh model distribusi probabilitas secara gratis. Distribusi ini mencerminkan statistik pengukuran dari sistem fisik tersebut.

Model yang lebih berpengetahuan

Pemahaman tim MIT adalah bahwa distribusi probabilitas ini juga menentukan model generatif yang menjadi dasar pembuatan pengklasifikasi. Mereka mengintegrasikan model generatif ke dalam kerangka statistik standar untuk membuat pengklasifikasi secara langsung, bukan mengandalkan pembelajaran dari sampel, seperti yang dilakukan dalam pendekatan diskriminatif.

"Itu adalah cara yang sangat efektif untuk menyelipkan pengetahuan tentang sistem fisik Anda secara mendalam ke dalam skema pembelajaran mesin Anda. Ini melebihi sekadar melakukan rekayasa fitur pada sampel data atau menggunakan bias induktif yang sederhana," kata Schäfer.

Pengklasifikasi generatif ini dapat mengidentifikasi fase sistem berdasarkan beberapa parameter, seperti suhu atau tekanan. Dan karena peneliti secara langsung memodelkan distribusi probabilitas yang mendasari pengukuran sistem fisik, pengklasifikasi memiliki pemahaman yang lebih baik tentang sistem.

Ini memungkinkan metode mereka bekerja lebih baik dibandingkan dengan teknik pembelajaran mesin lainnya. Dan karena dapat beroperasi secara otomatis tanpa memerlukan pelatihan yang rumit, pendekatan ini secara signifikan meningkatkan efisiensi komputasi dalam mengenali transisi fase.

Akhirnya, seperti cara Anda meminta ChatGPT untuk menyelesaikan masalah matematika, para peneliti dapat mengajukan pertanyaan pengklasifikasi generatif seperti "apakah sampel ini termasuk dalam fase I atau fase II?" atau "apakah sampel ini dihasilkan pada suhu tinggi atau rendah?"

Para ilmuwan juga dapat memanfaatkan pendekatan ini untuk menyelesaikan berbagai tugas klasifikasi biner dalam sistem fisik. Misalnya, mereka dapat menggunakan metode ini untuk mendeteksi apakah suatu sistem kuantum terjerat atau tidak, atau untuk menentukan teori mana, antara teori A atau B, yang paling sesuai untuk memecahkan masalah tertentu. Pendekatan ini juga dapat digunakan untuk mendalami dan meningkatkan model bahasa besar seperti ChatGPT dengan cara mengidentifikasi penyesuaian parameter yang diperlukan untuk menghasilkan keluaran terbaik dari chatbot.

Di masa depan, para peneliti juga berminat untuk mengeksplorasi jaminan teoretis terkait jumlah pengukuran yang diperlukan untuk secara efektif mendeteksi transisi fase, serta untuk memperkirakan jumlah komputasi yang diperlukan untuk tujuan ini.

Berbagi :