麻省理工学院和巴塞尔大学开发的一种新型机器学习框架可以自动对物理系统的各个阶段进行分类，从而帮助科学家研究新型材料。

当水结冰时，它会从液态转变为固态。这会导致密度和体积等性质发生剧烈变化。虽然水中的相变非常常见，以至于我们大多数人甚至都不会想到它们，但新材料或复杂物理系统中的相变是一个重要的研究领域。

为了充分理解这些系统，科学家必须能够识别相并检测它们之间的转变。然而，量化陌生系统中的相变仍然具有挑战性，尤其是在数据有限的情况下。

相位检测领域的人工智能进步

麻省理工学院和瑞士巴塞尔大学的研究人员将生成人工智能模型应用于这一问题，开发了一种新的机器学习框架，可以自动绘制出新型物理系统的相图。

他们基于物理学的机器学习方法比依赖理论专业知识的费力手动技术更有效。重要的是，由于他们的方法利用了生成模型，因此不需要其他机器学习技术中使用的大量带标签的训练数据集。

例如，这样的框架可以帮助科学家研究新材料的热力学性质或检测量子系统中的纠缠。最终，这项技术可以让科学家自主发现物质的未知相。

“如果你有一个具有完全未知属性的新系统，你会如何选择要研究的可观测量?希望至少借助数据驱动的工具，你可以以自动化的方式扫描大型新系统，它会指出系统中的重要变化。这可能是自动科学发现新奇相属性的管道中的一种工具，”计算机科学与人工智能实验室 (CSAIL) Julia 实验室的博士后、该方法论文的合著者 Frank Schäfer 说。