Según se ha podido conocer, investigadores usaron IA Generativa para desarrollar una técnica basada en la física para clasificar las transiciones de fase en materiales o sistemas físicos que es mucho más eficiente que los enfoques de aprendizaje automático existentes. Cabe recalcar que, el estudio fue dirigido por investigadores del MIT y la Universidad de Basilea. ¿Pueden los científicos usar IA para responder preguntas complejas? Conozca esto y mas aquí en TECHcetera.
Científicos usan IA Generativa para…
Vale la pena señalar que cuando el agua se congela pasa de una fase liquida a una fase sólida, lo que claramente, resulta en un cambio drástico en propiedades como la densidad y el volumen. Es de resaltar que las transiciones de fase en el agua son tan habituales que la mayoría de nosotros posiblemente nisiquiera pensamos en ellas, sin embargo, se debe tener presente que las transiciones de fase en materiales novedosos o sistemas físicos complejos, vienen siendo realmente un área de estudio importante.
Para comprender totalmente estos sistemas, los científicos deben poder reconocer fases y, así mismo, detectar las transiciones entre ellas. Pero, como siempre hay un pero… frecuentemente no está claro cómo cuantificar los cambios de fase en un sistema desconocido, particularmente cuando los datos son escasos.
Según se ha conocido recientemente, investigadores del MIT y La Universidad de Basilea en Suiza aplicaron modelos de IA Generativa a este problema, desarrollando un nuevo marco de aprendizaje automático que tiene la capacidad de poder trazar de forma automática diagramas de fases para sistemas físicos novedosos.
Cabe destacar que su enfoque de aprendizaje automático basado en la física viene siendo mucho más eficiente que las laboriosas técnicas manuales que se basan en conocimientos teóricos. No se debe pasar por alto señalar que, debido a que su enfoque aprovecha los modelos generativos no demanda monumentales conjuntos de datos de entrenamiento etiquetados que se usan en otras técnicas de aprendizaje automático.
Es crucial tener presente que un marco de este tipo podría ayudar a los científicos a investigar las propiedades termodinámicas de nuevos materiales o incluso, detectar entrelazamientos en sistemas cuánticos.
