ChatGPT è stato rilasciato un anno e mezzo fa e da allora non c’è quasi nulla che non possa essere creato con questa nuova forma di intelligenza artificiale: Testi, immagini, video e persino brani musicali. ChatGPT si basa sui cosiddetti modelli generativi, in grado di creare qualcosa di completamente nuovo da qualcosa di familiare utilizzando un algoritmo complesso.
I ricercatori guidati da Christoph Bruder dell’Università di Basilea, insieme ai colleghi del Massachusetts Institute of Technology (MIT) di Boston, hanno ora utilizzato un metodo simile per calcolare i diagrammi di fase dei sistemi fisici. I risultati sono stati pubblicati sulla rivista Physical Review Letters.
I diagrammi di fase sono difficili da calcolare
I diagrammi di fase sono molto importanti in fisica e descrivono le forme di stato in cui un materiale può esistere - l’acqua, ad esempio, come ghiaccio, acqua liquida o vapore acqueo. Le transizioni di fase avvengono tra queste fasi a seconda di alcune variabili, come la temperatura o la pressione. Queste transizioni possono essere di vario tipo: per esempio, da un normale conduttore elettrico a un superconduttore o da uno stato non magnetico a uno ferromagnetico.Tuttavia, il calcolo dei diagrammi di fase è difficile e richiede molte conoscenze preliminari e intuizioni da parte dei ricercatori", spiega Julian Arnold, dottorando del gruppo di ricerca di Bruder. Il problema risiede nel fatto che un solido o un liquido è costituito da un gran numero di particelle - atomi o molecole. Queste particelle interagiscono tra loro, attraendosi o respingendosi; formano il cosiddetto sistema multiparticellare. Di conseguenza, ci sono molte possibilità per lo stato generale del materiale, cioè le posizioni delle particelle, ma anche proprietà aggiuntive come l’allineamento degli spin, che indicano la direzione della magnetizzazione.
In passato, questi stati venivano spesso classificati utilizzando reti neurali per calcolare un diagramma di fase", spiega Bruder. Il funzionamento è simile a quello del riconoscimento delle immagini, dove un algoritmo cerca di distinguere tra immagini di cani e gatti. L’algoritmo calcola la probabilità che una particolare immagine mostri un cane o un gatto e poi prende la sua decisione.
Più veloce grazie ai modelli generativi
In alternativa a questo approccio discriminativo, i ricercatori di Basilea e Boston hanno sviluppato un metodo generativo. La differenza: nel metodo generativo, simile al ChatGPT, il computer genera un numero molto elevato di possibili stati del sistema (nell’esempio precedente: molti cani e gatti diversi) e poi decide a quale fase appartiene un determinato stato.Abbiamo dimostrato che il metodo generativo è in grado di calcolare un diagramma di fase in modo completamente autonomo e in un tempo molto più breve rispetto al metodo discriminativo", afferma Arnold. Attualmente sta testando il metodo anche su un modello di buchi neri nell’universo, per rilevarne le transizioni di fase. In futuro, la nuova tecnologia potrebbe forse automatizzare anche i laboratori di fisica: L’algoritmo potrebbe impostare automaticamente i parametri di controllo di un’apparecchiatura sperimentale e creare un diagramma di fase direttamente dai dati misurati.
È interessante notare che il metodo ispirato a ChatGPT per il calcolo dei diagrammi di fase può essere applicato anche a modelli come ChatGPT stesso. ChatGPT ha anche qualcosa come una temperatura", spiega Arnold. Se questa temperatura è molto bassa, l’algoritmo non è molto creativo e si limita a produrre il risultato atteso. Se è troppo alta, invece, il testo generato è casuale e caotico". La tecnica dei ricercatori di Basilea può essere utilizzata per determinare la transizione tra queste due fasi e ottimizzare i modelli linguistici di conseguenza.
Pubblicazione originale
Julian Arnold, Frank Schäfer, Alan Edelman, Christoph Bruder
Mappatura dei diagrammi di fase con classificatori generativi
Physical Review Letters (2024), doi: 10.1103/PhysRevLett.132.207301
