当水结冰时，它会从液相转变为固相，导致密度和体积等特性发生巨大变化。水中的相变非常常见，我们大多数人可能甚至没有想到它们，但新型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阶段并检测之间的转变。但如何量化未知系统中的相变通常是不清楚的，尤其是在数据稀缺的情况下。

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个问题，开发了一种新的机器学习框架，可以自动绘制新颖物理系统的相图。

他们基于物理的机器学习方法比依赖理论专业知识的费力的手动技术更有效。重要的是，由于他们的方法利用生成模型，因此不需要其他机器学习技术中使用的大量标记训练数据集。

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

“如果你有一个具有完全未知属性的新系统，你将如何选择要研究的可观察量?希望，至少使用数据驱动的工具，你可以以自动化的方式扫描大型新系统，并且它将指出您了解系统中的重要变化。

计算机科学与人工智能实验室 (CSAIL) Julia 实验室的博士后、论文合著者 Frank Schäfer 表示： “这可能是自动科学发现相的新的、奇异的特性的过程中的一个工具。”关于这种方法。

与 Schäfer 一起撰写该论文的还有第一作者 Julian Arnold，他是巴塞尔大学的研究生。 Alan Edelman，数学系应用数学教授、Julia 实验室负责人;资深作者克里斯托夫·布鲁德 (Christoph Bruder)，巴塞尔大学物理系教授。