يمكن لتدريس الفيزياء للذكاء الاصطناعي أن يسمح لها بإجراء اكتشافات جديدة بمفردها
يساعد دمج الفيزياء الراسخة في خوارزميات الشبكة العصبية على اكتشاف رؤى جديدة في خصائص المواد
وفقًا للباحثين في جامعة Duke ، فإن دمج الفيزياء المعروفة في خوارزميات التعلم الآلي يمكن أن يساعد الصناديق السوداء الغامضة في الوصول إلى مستويات جديدة من الشفافية والبصيرة في خصائص المواد.
استخدم الباحثون خوارزمية التعلم الآلي المتطورة في واحدة من أولى الجهود من نوعها لتحديد خصائص فئة من المواد المهندسة المعروفة باسم المواد الفوقية والتنبؤ بكيفية تفاعلها مع المجالات الكهرومغناطيسية.
أُجبرت الخوارزمية بشكل أساسي على إظهار عملها حيث كان عليها أولاً أن تأخذ في الاعتبار القيود المادية المعروفة للمادة الخارقة. لم تُمكِّن الطريقة الخوارزمية فقط من التنبؤ بخصائص المادة الخارقة بدقة عالية، ولكنها فعلت ذلك أيضًا بسرعة أكبر وبفهم ثاقبة أكثر من الأساليب السابقة.
يمكن لمواد السيليكون الخارقة مثل هذه، التي تتميز بصفوف من الأسطوانات الممتدة في المسافة، معالجة الضوء اعتمادًا على ميزات الأسطوانات. أظهرت الأبحاث الآن أن دمج الفيزياء المعروفة في خوارزمية التعلم الآلي يمكن أن يكشف عن رؤى جديدة حول كيفية تصميمها. الائتمان: عمر الخطيب
نُشرت النتائج في مجلة Advanced Optical Materials في 13 مايو 2022.
قال ويلي باديلا ، أستاذ الهندسة الكهربائية وهندسة الكمبيوتر في جامعة ديوك، “من خلال دمج الفيزياء المعروفة مباشرةً في التعلم الآلي، يمكن للخوارزمية إيجاد حلول ببيانات تدريب أقل وفي وقت أقل”. “بينما كانت هذه الدراسة في الأساس عرضًا يوضح أن النهج يمكن أن يعيد إنشاء حلول معروفة، فقد كشفت أيضًا عن بعض الأفكار حول الأعمال الداخلية للمواد المعدنية غير المعدنية التي لم يعرفها أحد من قبل.”
المواد الفوقية هي مواد تركيبية تتكون من العديد من السمات الهندسية الفردية، والتي تنتج معًا خصائص غير موجودة في الطبيعة من خلال هيكلها بدلاً من كيميائها. في هذه الحالة، تتكون المادة الفوقية من شبكة كبيرة من أسطوانات السيليكون التي تشبه لوحة LEGO الأساسية.
اعتمادًا على حجم الأسطوانات وتباعدها، تتفاعل المادة الخارقة مع الموجات الكهرومغناطيسية بطرق مختلفة،مثل امتصاص أو إصدار أو انحراف أطوال موجية محددة. في الورقة االجديدسعى الباحثون إلى بناء نوع من نموذج التعلم الآلي يسمى الشبكة العصبية لاكتشاف كيف تؤثر مجموعة من ارتفاعات وعرض أسطوانة واحدة على هذه التفاعلات. لكنهم أرادوا أيضًا أن تكون إجاباتها منطقية.
قال جوردان مالوف ، أستاذ باحث مساعد في الهندسة الكهربائية وهندسة الكمبيوتر في جامعة ديوك: “تحاول الشبكات العصبية العثور على أنماط في البيانات، لكن في بعض الأحيان لا تلتزم الأنماط التي تجدها بقوانين الفيزياء، مما يجعل النموذج الذي تخلقه غير موثوق به”. “من خلال إجبار الشبكة العصبية على الانصياع لقوانين الفيزياء، منعناها من العثور على علاقات قد تناسب البيانات ولكنها ليست صحيحة في الواقع.”
تسمى الفيزياء التي فرضها فريق البحث على الشبكة العصبية بنموذج لورنتز – وهي مجموعة من المعادلات التي تصف كيف تتفاعل الخصائص الجوهرية للمادة مع المجال الكهرومغناطيسي. بدلاً من القفز مباشرة للتنبؤ باستجابة الأسطوانة، كان على النموذج أن يتعلم التنبؤ بمعلمات لورنتز التي استخدمها بعد ذلك لحساب استجابة الأسطوانة.
ومع ذلك، فإن قول هذه الخطوة الإضافية أسهل بكثير من تنفيذها.
قال عمر الخطيب، باحث ما بعد الدكتوراه يعمل في مختبر باديلا: “عندما تجعل شبكة عصبية أكثر قابلية للتفسير، وهو ما فعلناه هنا إلى حد ما، فقد يكون من الصعب ضبطها”. “لقد واجهنا بالتأكيد وقتًا صعبًا في تحسين التدريب لمعرفة الأنماط.”
ومع ذلك، بمجرد أن يعمل النموذج، أثبت أنه أكثر كفاءة من الشبكات العصبية السابقة التي أنشأتها المجموعة لنفس المهام. على وجه الخصوص، وجدت المجموعة أن هذا النهج يمكن أن يقلل بشكل كبير من عدد المعلمات اللازمة للنموذج لتحديد خصائص المادة الخارقة.
ووجدوا أيضًا أن هذا النهج القائم على الفيزياء للذكاء الاصطناعي قادر على تحقيق الاكتشافات بمفرده.
عندما تنتقل الموجة الكهرومغناطيسية عبر جسم ما، فإنها لا تتفاعل معها بالضرورة بنفس الطريقة تمامًا في بداية رحلتها كما تفعل في نهايتها. تُعرف هذه الظاهرة باسم التشتت المكاني. نظرًا لأن الباحثين اضطروا إلى تعديل معلمات التشتت المكاني لجعل النموذج يعمل بدقة، فقد اكتشفوا رؤى في فيزياء العملية لم يعرفوها من قبل.
قال باديلا: “الآن بعد أن أثبتنا أنه يمكن القيام بذلك، نريد تطبيق هذا النهج على الأنظمة التي تكون فيها الفيزياء غير معروفة”.
المصدر: scitechdaily
قد يهمك:
