ChatGPT a été lancé il y a un an et demi, et depuis, il n’y a pratiquement rien qui ne puisse être créé avec cette nouvelle forme d’intelligence artificielle : Textes, images, vidéos et même morceaux de musique. ChatGPT est basé sur des modèles dits génératifs qui, à l’aide d’un algorithme complexe, peuvent créer des choses totalement nouvelles à partir de choses connues.
Des chercheurs autour de Christoph Bruder de l’Université de Bâle, en collaboration avec des collègues du Massachusetts Institute of Technology (MIT) à Boston, ont maintenant utilisé une méthode similaire pour calculer les diagrammes de phase de systèmes physiques. Ils ont publié leurs résultats dans la revue spécialisée Physical Review Letters.
Les diagrammes de phase sont difficiles à calculer
Les diagrammes de phases sont très importants en physique et décrivent les formes d’état sous lesquelles un matériau peut exister - l’eau par exemple sous forme de glace, d’eau liquide ou de vapeur d’eau. Des transitions de phase se produisent entre ces phases en fonction de certaines grandeurs, telles que la température ou la pression. Ces transitions peuvent être de différents types, par exemple d’un conducteur électrique normal à un supraconducteur ou d’un état non magnétique à un état ferromagnétique.Mais calculer des diagrammes de phase est difficile et demande beaucoup de connaissances préalables et d’intuition de la part des chercheurs", explique Julian Arnold, doctorant dans le groupe de travail de Bruder. Le problème réside dans le fait qu’un solide ou un liquide est composé de très nombreuses particules - atomes ou molécules. Ces particules interagissent entre elles, elles s’attirent ou se repoussent, elles forment ce que l’on appelle un système multiparticulaire. En conséquence, il existe de nombreuses possibilités quant à l’état global du matériau, c’est-à-dire les positions des particules, mais aussi des propriétés supplémentaires telles que l’orientation des spins, qui indiquent la direction de l’aimantation.
Dans le passé, ces états étaient souvent classés à l’aide de réseaux neuronaux, ce qui permettait de calculer un diagramme de phase’, explique Bruder. Cela fonctionne un peu comme dans la reconnaissance d’images, où un algorithme essaie de faire la différence entre les images de chiens et de chats. L’algorithme calcule la probabilité qu’une image donnée représente un chien ou un chat et prend ensuite sa décision.
Plus rapide grâce aux modèles génératifs
Comme alternative à cette approche discriminatoire, les chercheurs de Bâle et de Boston ont maintenant développé une méthode générative. La différence : avec la méthode générative, qui ressemble à ChatGPT, l’ordinateur génère un très grand nombre d’états possibles du système (dans l’exemple ci-dessus : de nombreux chiens et chats différents) et décide ensuite à chaque fois à quelle phase appartient un état donné.Nous avons montré que la méthode générative est capable de calculer un diagramme de phase de manière totalement autonome et en beaucoup moins de temps que la méthode discriminative", explique Arnold. Actuellement, il teste également la méthode sur un modèle de trous noirs dans l’univers afin de détecter leurs transitions de phase. A l’avenir, cette nouvelle technique pourrait peut-être même automatiser les laboratoires de physique : L’algorithme réglerait alors automatiquement les paramètres de contrôle d’un appareil expérimental et créerait directement un diagramme de phase à partir des données mesurées.
Il est intéressant de noter que la méthode de calcul des diagrammes de phase inspirée de ChatGPT peut également être appliquée à des modèles tels que ChatGPT lui-même. ChatGPT a lui aussi une sorte de température", explique Arnold. Si cette température est très basse, l’algorithme n’est pas très créatif et ne produit que des résultats attendus. Si elle est trop élevée, le texte généré est aléatoire et chaotique. La technique des chercheurs bâlois permet de déterminer la transition entre ces deux phases et de régler les modèles linguistiques de manière idéale en conséquence.
Publication originale
Julian Arnold, Frank Schäfer, Alan Edelman, Christoph Bruder
Mapping out phase diagrams with generative classifiers
Physical Review Letters (2024), doi : 10.1103/PhysRevLett.132.207301
