当水结冰时，它会从液相转变为固相，导致密度和体积等特性发生巨大变革。
水中的相变非常常见，我们大多数人可能乃至没有想到它们，但新型材料或繁芜物理系统中的相变是一个主要的研究领域。

为了充分理解这些系统，科学家必须能够识别相变的不同阶段并检测之间的转变。
但如何量化未知系统中的相变常日是不清楚的，尤其是在数据稀缺的情形下。

麻省理工学院和瑞士巴塞尔大学的研究职员将天生式人工智能模型运用于这个问题，开拓了一种新的机器学习框架，可以自动绘制新颖物理系统的相图。

他们基于物理的机器学习方法比依赖理论专业知识的费力手动技能更有效。
主要的是，由于他们的方法利用天生模型，因此不须要其他机器学习技能中利用的大量标记演习数据集。

例如，这样的框架可以帮助科学家研究新型材料的热力学性子或检丈量子系统中的纠缠。
终极，这项技能可以使科学家自主创造物质的未知相。

“如果你有一个特性完备未知的新系统，你会如何选择要研究的可不雅观察量？希望至少利用数据驱动的工具，您可以以自动化的办法扫描大型新系统，并且它将向您指出系统中的主要变革。
这种方法可能是自动创造新的、奇特的相特性过程中的一个工具，”打算机科学和人工智能实验室 (CSAIL) 的博士后Frank Schäfer 说道。

利用 AI 检测相变

虽然水转变为冰可能是相变最明显的例子之一，但更奇特的相变，例如材料从普通导体转变为超导体，引起了科学家的浓厚兴趣。

这些转变可以通过识别“订单参数”来检测，“订单参数”是一个主要且估量会发生变革的数量。
例如，当温度低于 0 摄氏度时，水会结冰并转变为固相（冰）。
在这种情形下，适当的有序参数可以根据作为晶格一部分的水分子与保持无序状态的水分子的比例来定义。

过去，研究职员依赖物理专业知识手动构建相图，利用理论理解来理解哪些阶次参数很主要。
这不仅对付繁芜的系统来说是乏味的，对付具有新行为的未知系统来说大概是不可能的，而且它还在办理方案中引入了人为偏见。

最近，研究职员开始利用机器学习来构建判别性分类器，该分类器可以通过学习将丈量统计数据分类为来自物理系统的特定阶段来办理此任务，就像此类模型将图像分类为猫或狗一样。

麻省理工学院的研究职员演示了如何利用天生模型以物理知情的办法更有效地办理此分类任务。

Schäfer 补充道，Julia 编程措辞是一种盛行的科学打算措辞，也用于麻省理工学院的线性代数入门课程，它供应了许多工具，使其对付构建此类天生模型非常有代价。

天生模型（例如 ChatGPT 和 Dall-E 的根本模型）常日通过估计某些数据的概率分布来事情，并利用这些数据天生适宜分布的新数据点（例如与现有猫图像相似的新猫图像） 。

然而，当利用经由验证的科学技能对物理系统进行仿照时，研究职员可以免费得到其概率分布模型。
该分布描述了物理系统的丈量统计数据。

知识更丰富的模型

麻省理工学院团队的见地是，这种概率分布还定义了一个可以构建分类器的天生模型。
他们将天生模型插入标准统计公式中，以直接构建分类器，而不是像判别方法那样从样本中学习。

“这是一种非常好的方法，可以将您对物理系统的理解深入到机器学习方案中。
它远远超出了仅仅对数据样本实行特色工程或大略的归纳偏差，”Schäfer 说。

该天生分类器可以确定系统在给定某些参数（例如温度或压力）下处于哪个阶段。
由于研究职员直靠近似物理系统丈量结果的概率分布，因此分类用具有系统知识。

这使得他们的方法比其他机器学习技能表现得更好。
而且由于它可以自动事情，无需进行大量培训，因此他们的方法显著提高了识别相变的打算效率。

终极，类似于人们哀求 ChatGPT 办理数学问题的办法，研究职员可以向天生分类器提出诸如“这个样本属于第一阶段还是第二阶段？”之类的问题。
或者“这个样本是在高温还是低温下天生的？”

科学家还可以利用这种方法来办理物理系统中不同的二元分类任务，可能检丈量子系统中的纠缠（状态是否纠缠？）或确定理论 A 或 B 是否最适宜办理特定问题。
他们还可以利用这种方法，通过确定如何调度某些参数以便谈天机器人供应最佳输出，来更好地理解和改进 ChatGPT 等大型措辞模型。

未来，研究职员还希望研究理论担保，理解他们须要多少次丈量才能有效检测相变并估计所需的打算量。