Các nhà nghiên cứu tại MIT và Đại học Basel vừa phát triển một bộ khung (framework) máy học sử dụng mô hình trí tuệ nhân tạo tạo sinh (generative AI) để tự động hoá việc lập giản đồ pha của các hệ vật lý (physical systems) mới lạ. Phương pháp này nhằm làm rõ quá trình chuyển pha của những loại vật liệu phức tạp. Đây từng là công việc vô cùng thử thách, tốn kém tài nguyên, cũng như yêu cầu kiến thức chuyên môn cao khi thực hiện bởi con người.
Tiến sĩ Frank Schäfer tại Phòng thí nghiệm Trí tuệ Nhân tạo và Khoa học Máy tính (CSAIL, MIT) cho biết, với nền tảng là AI tạo sinh, ta không cần các tệp dữ liệu khổng lồ cũng như dán nhãn (label) chúng. AI có thể tự động hoá nhiều quá trình, tránh được sai số chủ quan do con người gây ra. Hơn thế nữa, các nhà khoa học có thể khám phá các tính chất nhiệt động học mới và trạng thái vướng mắc lượng tử của vật liệu, thậm chí tìm ra các thể vật chất mới mẻ.
Phương pháp xây dựng giản đồ pha truyền thống yêu cầu xác định “tham số bậc” (order parameter) dựa vào kiến thức lý thuyết. Chỉ số này sẽ thay đổi trong lúc chuyển trạng thái: Ví dụ như tỉ lệ phân tử nước hình thành mạng tinh thể khi đóng băng. Ngược lại, nhóm MIT sử dụng phân bố xác suất để thống kê kết quả đo lường như nhiệt độ và áp suất. Từ đó, mô hình phân loại tạo sinh (generative classifier) sẽ tạo ra điểm dữ liệu mới, tiếp tục điền vào phân bố xác suất và trực tiếp xây dựng tham số. Phương pháp này kết hợp kiến thức có sẵn về hệ vật lý vào khoa học máy tính, do đó đạt được hiệu quả cao hơn máy học đơn thuần.
Không chỉ dừng lại ở mảng vật liệu, phân loại tạo sinh còn có thể được ứng dụng để cải thiện kết quả của các mô hình ngôn ngữ lớn như ChatGPT, Gemini, Copilot… bằng cách tối ưu việc tham số hoá của chúng.
Nguồn: https://news.mit.edu/…/scientists-use-generative-ai…
Tổng hợp: Lê Đăng Khoa