Pesquisadores da Universidade de Basel desenvolveram um novo método para calcular diagramas de fases de sistemas físicos que funciona de forma semelhante ao ChatGPT. Essa inteligência artificial poderá até automatizar experimentos científicos no futuro.
Há um ano e meio foi lançado o ChatGPT e, desde então, quase não existe nada que não possa ser criado com esta nova forma de inteligência artificial: textos, imagens, vídeos e até música. ChatGPT é baseado nos chamados modelos generativos, que, usando um algoritmo complexo, podem criar algo inteiramente novo a partir de informações conhecidas.
Uma equipe de pesquisa liderada pelo professor Christoph Bruder da Universidade de Basileia, juntamente com colegas do Instituto de Tecnologia de Massachusetts (MIT) em Boston, usaram agora um método semelhante para calcular diagramas de fases de sistemas físicos. Eles publicaram recentemente seus resultados na revista científica Physical Review Letters.
Diagramas de fase são difíceis de calcular
Os diagramas de fase são fundamentais na física. Eles descrevem os estados em que um material pode existir – água, por exemplo, pode ser encontrada como gelo, líquido ou vapor. Entre essas fases, ocorrem transições de fase dependendo de quantidades específicas, como temperatura ou pressão. Essas transições vêm em diferentes tipos – por exemplo, ocorrem entre um condutor elétrico regular e um supercondutor ou de um estado não magnético para um estado ferromagnético.
“No entanto, calcular diagramas de fases é difícil e requer muito conhecimento prévio e intuição por parte dos pesquisadores”, diz Julian Arnold, candidato a doutorado no grupo de Bruder. O problema é que um sólido ou líquido consiste em muitas partículas – átomos ou moléculas. Estas partículas interagem, o que significa que se atraem ou se repelem; eles formam o que é conhecido como sistema de muitos corpos. Existem muitas possibilidades de como pode ser o estado geral do material – caracterizado pelas posições das partículas, mas também por propriedades adicionais, como a orientação dos spins, que indicam a direção da magnetização.
“No passado, os diagramas de fase eram frequentemente calculados classificando esses estados com a ajuda de redes neurais”, explica Bruder. Isso funciona mais ou menos como o reconhecimento de imagem, onde um algoritmo tenta distinguir entre imagens de cães e gatos. Nesse caso, o algoritmo calcula a probabilidade de uma determinada imagem mostrar um gato ou um cachorro e decide de acordo.
Mais rápido graças aos modelos generativos
Como alternativa a esta abordagem discriminativa, os investigadores de Basileia e Boston desenvolveram agora um método generativo. A diferença é que no método generativo, semelhante ao ChatGPT, o computador cria um grande número de estados possíveis do sistema (no exemplo acima, muitos cães e gatos) e decide a qual fase pertence um determinado estado.
“Mostramos que o método generativo pode calcular um diagrama de fases de forma autônoma e em um tempo muito menor que o método discriminativo”, diz Arnold. Atualmente, ele está testando o método em um modelo de buracos negros no universo para detectar suas transições de fase. No futuro, a nova técnica poderá até automatizar os laboratórios de física: o algoritmo definiria automaticamente os parâmetros de controle de um aparelho experimental e calcularia imediatamente um diagrama de fases a partir dos dados medidos.
Curiosamente, o método de cálculo de diagramas de fases inspirado no ChatGPT também pode ser aplicado a modelos como o próprio ChatGPT. “O ChatGPT também tem algo parecido com uma temperatura”, explica Arnold. Se esta temperatura for muito baixa, o algoritmo não é muito criativo e produz apenas os resultados esperados. Se, por outro lado, for muito alto, o texto gerado torna-se arbitrário e caótico. Utilizando a técnica dos pesquisadores de Basileia, pode-se determinar a transição entre essas duas fases e, com base nessas informações, ajustar de forma otimizada os modelos de linguagem.
Publicação original
Julian Arnold, Frank Schäfer, Alan Edelman, Christoph Bruder
Mapeando diagramas de fases com classificadores generativos
Cartas de revisão física (2024), doi: 10.1103/PhysRevLett.132.207301
