科学家利用生成性人工智能解答物理学中的复杂问题
原文英文，约1600词，阅读约需6分钟。
📝
内容提要
麻省理工学院和巴塞尔大学的研究人员开发了一种新型机器学习技术，利用生成性人工智能自动分类物理系统的相变。这种方法比传统手动技术更高效，能够在缺乏大量标记数据的情况下，帮助科学家研究新材料的热力学特性和量子系统的纠缠现象，推动新物质相的科学发现。
🔎
延伸解读
生成模型为何更高效
传统机器学习方法需要大量标记数据来训练分类器，而该研究利用物理模拟中已知的概率分布直接构建生成分类器，无需从样本中学习。这避免了数据稀缺的瓶颈，同时将物理知识深度嵌入模型，提高了分类准确性和计算效率。
物理知识嵌入的优势
该方法不是简单地对数据做特征工程，而是将物理系统的概率分布作为生成模型的基础，再结合统计公式构建分类器。这种“物理信息”的融入使模型具备系统知识，能更可靠地识别相变，减少人为偏差。
潜在应用与局限
该框架可自动绘制相图，帮助研究新材料热力学性质或检测量子纠缠，甚至自主发现未知物质相。但目前仍需依赖已知的物理模拟，且理论保证如所需测量次数和计算量尚待进一步研究。
❓
Q&A
这项新技术如何帮助科学家研究物理系统的相变？
这项新技术利用生成性人工智能自动分类物理系统的相变，能够在缺乏大量标记数据的情况下高效绘制相图，推动新材料的研究。
生成性人工智能在相变分类中相比传统方法有什么优势？
生成性人工智能方法比传统手动技术更高效，避免了依赖理论知识的繁琐过程，并且不需要大量的标记训练数据。
研究人员如何利用生成性模型来解决相变分类任务？
研究人员通过构建基于物理系统概率分布的生成模型，直接生成分类器，从而高效地识别系统的相位。
这项研究的潜在应用有哪些？
该技术可以帮助科学家研究新材料的热力学特性、检测量子系统中的纠缠现象，并可能自主发现未知的物质相。
生成性人工智能如何提高计算效率？
由于生成性模型可以自动工作而无需大量训练，显著提高了识别相变的计算效率。
研究人员在这项研究中使用了哪些工具？
研究人员使用了Julia编程语言，这是一种在科学计算中非常有用的工具，适合构建生成模型。
🏷️
