Исследованием руководили теоретики из Университета Эмори и экспериментаторы из Йельского университета. Среди старших авторов - Фан Лю и Яо Ван, доценты химического факультета университета Эмори, и Ю Хэ, доцент кафедры прикладной физики Йельского университета.

Команда применила методы машинного обучения для обнаружения четких спектральных сигналов, которые указывают на фазовые переходы в квантовых материалах - системах, где электроны сильно запутаны. Эти материалы, как известно, трудно моделировать с помощью традиционной физики из-за их непредсказуемых флуктуаций.

"Наш метод дает быстрый и точный снимок очень сложного фазового перехода практически без затрат", - говорит Сюй Чен, первый автор исследования и аспирант Эмори по химии. "Мы надеемся, что это может значительно ускорить открытия в области сверхпроводимости".

Одной из проблем при применении машинного обучения к квантовым материалам является отсутствие достаточного количества высококачественных экспериментальных данных, необходимых для обучения моделей. Чтобы преодолеть это, исследователи использовали высокопроизводительное моделирование для генерации больших объемов данных. Затем они объединили эти результаты моделирования с небольшим количеством экспериментальных данных, чтобы создать мощную и эффективную платформу машинного обучения.

"Это похоже на обучение самоуправляемым автомобилям", - объясняет Лю. "Вы могли бы тщательно протестировать их в Атланте, но вы хотите, чтобы они надежно работали в Нью-Хейвене или вообще где угодно. Итак, вопрос в следующем: как нам сделать обучение одновременно переносимым и понятным?"

Их структура позволяет моделям машинного обучения распознавать фазы в экспериментальных данных - даже по одному спектральному снимку - применяя информацию, полученную в результате моделирования. Этот подход решает текущую проблему ограниченности экспериментальных данных в научном машинном обучении и открывает двери для более быстрого и масштабируемого исследования квантовых материалов и молекулярных систем.

Среди других участников исследования - Юаньцзе Сун, бывшая студентка Университета Клемсона; Юджин Груска, бывший постдокторский исследователь в Эмори; Вивек Диксит, бывший постдокторский исследователь в Клемсоне; и Цзинмин Ян, аспирант Йельского университета.

Квантовые флуктуации: ангел и демон

Квантовые материалы - это особый класс материалов, в которых частицы, такие как электроны и атомы, ведут себя так, что это противоречит классической физике. Одной из их самых захватывающих особенностей является квантовое явление, называемое запутанностью, когда частицы влияют друг на друга на большом расстоянии. Популярной аналогией является кот Шредингера - мысленный эксперимент, в котором кот может быть и живым, и мертвым одновременно. В квантовых материалах электроны могут вести себя аналогично, действуя коллективно, а не по отдельности.

Эти необычные корреляции, или, точнее, флуктуации, и есть то, что придает квантовым материалам их замечательные свойства. Одним из наиболее известных примеров является высокотемпературная сверхпроводимость, обнаруживаемая в соединениях оксида меди, или купратах, где электричество течет без сопротивления при определенных условиях.

Но хотя колебания часто сопровождают эти мощные свойства, они также делают многие физические свойства невероятно трудными для понимания, измерения и проектирования. Традиционные методы идентификации фазовых переходов в материалах основаны на так называемой спектральной щели - энергии, необходимой для разрыва сверхпроводящих электронных пар. Однако в системах с сильными флуктуациями этот метод выходит из строя.

"Вместо этого переходом управляет уровень глобальной координации между газиллионами сверхпроводящих электронов, или квантовая "фаза"", - говорит он, который недавно опубликовал отдельное исследование, раскрывающее удивительно широкие масштабы этого эффекта.

"Это как переезд в другую страну, где все говорят на другом языке - вы не можете просто полагаться на то, что работало раньше", - добавляет Ван.

Это означает, что ученые не могут легко определить температуру перехода - точку, в которой начинается сверхпроводимость, - просто взглянув на спектральный промежуток. Поиск лучших способов охарактеризовать эти переходы имеет решающее значение для эффективного открытия новых квантовых материалов и разработки их для применения в реальном мире.

Высокотемпературная сверхпроводимость

Сверхпроводимость - способность определенных материалов проводить электричество с нулевыми потерями энергии - является одним из самых захватывающих явлений в квантовой физике. Он был открыт в 1911 году, когда ученые обнаружили, что Меркурий полностью утратил свое электрическое сопротивление при температуре 4 Кельвина (-452 °F), более холодной, чем в любом естественном месте нашей Солнечной системы.

Только в 1957 году ученые смогли полностью объяснить, как работает сверхпроводимость. При обычных температурах электроны в материале движутся независимо и часто сталкиваются с атомами, теряя при этом энергию. Но при очень низких температурах электроны могут объединяться и образовывать новое состояние материи. В этом парном состоянии они двигаются идеально синхронно, как в хорошо поставленном танце, позволяя электричеству течь без сопротивления.

Крупный прорыв произошел в 1986 году с открытием купратных сверхпроводников. Эти материалы способны к сверхпроводимости при температурах до 130 Кельвинов (-211 °F), которые, хотя и остаются холодными, достаточно теплые, чтобы их можно было достичь с помощью недорогого жидкого азота. Это сделало практическое применение сверхпроводимости гораздо более реалистичным.

Однако купраты относятся к классу квантовых материалов, где поведение электронов определяется запутанностью и сильными квантовыми флуктуациями. Эти материальные фазы сложны и их трудно предсказать с помощью традиционных теорий, что делает их одновременно захватывающими и труднопроизносимыми для изучения.

Сегодня ученые по всему миру борются за то, чтобы раскрыть весь потенциал сверхпроводников. Конечная цель - создать материалы, способные к сверхпроводимости при комнатной температуре. В случае успеха это могло бы революционизировать все - от электросетей до вычислительной техники, - позволив передавать электроэнергию с идеальной эффективностью, без перегрева или отходов.

Новый подход

Исследователи хотели использовать модель машинного обучения, чтобы преодолеть это препятствие.

Однако модели машинного обучения нуждаются в обучении на огромных объемах помеченных данных, чтобы научиться эффективно отличать конкретный признак от окружающего шума. Загвоздкой, конечно, является небольшой объем экспериментальных данных о фазовых переходах в коррелированных материалах.

Исследователи использовали подход domain-adversarial neural network (DANN), подход к обучению распознаванию изображений, аналогичный тому, который используется в технологии, лежащей в основе самоуправляемых автомобилей. Вместо того чтобы вводить миллионы изображений кошек в модель машинного обучения, практичнее идентифицировать и извлекать ключевые особенности кошек. Например, простые смоделированные 3D-изображения, демонстрирующие основные черты кошки, могут быть сфотографированы с самых разных ракурсов, чтобы получить синтетические данные, необходимые для обучения модели распознаванию реальной кошки.

"Точно так же, моделируя данные для основных характеристик термодинамического фазового перехода, мы можем обучить модель машинного обучения распознавать его", - говорит Чен. "И это открывает много нового пространства, которое мы можем исследовать гораздо быстрее, чем с помощью реальных экспериментов. Пока у нас есть понимание ключевых характеристик системы, мы можем быстро генерировать тысячи изображений для обучения модели машинного обучения идентификации этого паттерна".

Эти закономерности, добавляет он, непосредственно применимы для исследования сверхпроводящей фазы реальных экспериментальных спектров.

Их новый подход, основанный на данных, использует ограниченный объем экспериментальных спектроскопических данных о коррелированных материалах, объединяя их с большими объемами смоделированных данных. Ключевые признаки фазового перехода, используемые в модели, делают процесс принятия решений ИИ, лежащий в ее основе, прозрачным и объяснимым.

Проверка модели

Команда физиков из Йельского университета протестировала модель машинного обучения с помощью экспериментов с купратом. Результаты показали, что метод позволяет различать сверхпроводящую и несверхпроводящую фазы почти с точностью 98%.

И в отличие от традиционного машинного обучения, вспомогательного выделения признаков в спектроскопии, новый метод точно определяет фазовые переходы на основе характерных спектральных характеристик внутри энергетического промежутка, что делает его более надежным и применимым к целому ряду материалов. Это повышает потенциал модели для проведения высокопроизводительного анализа.

Демонстрируя возможности машинного обучения для преодоления экспериментальных ограничений в отношении данных, работа преодолевает давнюю проблему в исследованиях квантовых материалов, расчищая путь для более быстрых открытий, которые могут повлиять на все - от энергоэффективной электроники до вычислений следующего поколения.

Работа финансировалась за счет грантов Управления научных исследований ВВС, Министерства энергетики США и Национального научного фонда, а также начального гранта от Йельского офиса ректора.