O uso da inteligência artificial traz pouco tempo para detectar fases quânticas complexas em materiais de vários meses a vários minutos, um novo estudo publicado nele NewtonO avanço pode acelerar significativamente a pesquisa em materiais quânticos, especialmente em supercondacores de menor dimensão.
Esta pesquisa é liderada pelos teóricos da Universidade Emri e experimentos da Universidade de Yale. Os escritores seniores incluem Fang Liu e Yao Wang, professor assistente de química de Emery e professor assistente da Yale Applied Physics.
A equipe aplicou técnicas de aprendizado de máquina para detectar sinais claros de espectro que indicam transições de fase para os sistemas de materiais quânticos, onde os elétrons estão fortemente incorporados. Esses materiais são notoriamente difíceis de modelar a física tradicional por causa de suas flutuações inesperadas.
“Nosso método fornece um instantâneo rápido e preciso em uma transição de estágio muito complexa, sem praticamente nenhuma despesa”, diz Ju Chen, o primeiro autor do estudo e estudante de doutorado da EMRI do estudo. “Esperamos que isso possa acelerar as invenções drasticamente no caso da supercondatividade”.
Um dos desafios na aplicação do aprendizado de máquina aos materiais quânticos é a falta de dados experimentais de alta qualidade necessários para o treinamento. Para superar isso, os pesquisadores usaram simulações de alto thruput para produzir muitos dados. Em seguida, eles combinam esses resultados de simulação com uma pequena quantidade de dados experimentais para criar uma estrutura de aprendizado de máquina forte e qualificada.
“É como o treinamento de carros autônomos”, explicou Liu. “Você pode testá -lo muito em Atlanta, mas deseja que eles façam New Haven ou realmente, para executar de maneira confiável em qualquer lugar, então, a pergunta é: como fazemos essa educação transferível e compreensível?”
Sua estrutura permite que os modelos de aprendizado de máquina detectem estágios em dados experimentais aplicando informações de simulações – mesmo a partir de um único instantâneo de espectro. A máquina científica desse método aborda os desafios contínuos de informações experimentais limitadas na aprendizagem e abre a porta para uma pesquisa mais rápida e esquelética de materiais quânticos e sistemas moleculares.
Outros colaboradores do estudo incluem o ex -graduado Yuanji Sun na Universidade de Clemson; Eugen Huska, ex -pesquisador pós -retoral do EMRI; O ex -pesquisador pós -córico de Clemson, Vivek Dixit; E o aluno de doutorado de Yel Jinming Young.
Farinha quântica: anjo e monstro
Os materiais quânticos são uma classe específica de materiais em que as partículas como eletrônicas e átomos se comportam de uma maneira que resiste à física clássica. Uma de suas características mais interessantes é um evento quântico conhecido como hino, onde as partículas se afetam a uma longa distância. Uma analogia popular é Srodengar Cat – um teste de pensamento em que um gato pode estar vivo e morto ao mesmo tempo. Em materiais quânticos, os elétrons podem agir juntos em vez de separadamente.
Esse relacionamento incomum, ou mais claramente flutuante, o que oferece aos materiais quânticos uma característica significativa. Um dos exemplos mais conhecidos é a supercondutividade de alto nível encontrada em compostos de óxido de cobre ou em couperats, onde flui sem resistência à eletricidade em certas condições.
No entanto, as flutuações geralmente estão com esses recursos poderosos, eles tornam muitos recursos físicos entender, medir e desenhar incrivelmente difíceis. Os métodos convencionais para identificar transições de fase em materiais dependem de qualquer coisa chamada Gap Spectrum – a potência para quebrar o par de elétrons de supercondcting. No entanto, em sistemas com fortes flutuações, esse método é quebrado.
“Em vez disso, é um nível de coordenação global no elétron ou episódio quântico de Gazilion Supercondcting, que gerencia essa transformação”, disse ele, “que publicou recentemente um estudo separado, expressando uma maravilhosa dimensão extensa desse efeito.
Wang acrescentou: “É como ir a outro país onde todos falam idiomas diferentes- você simplesmente não pode confiar no que fez antes”, acrescentou Wang.
Isso significa que os cientistas não podem determinar facilmente a temperatura de conversão – o ponto em que a supercondatividade chuta – apenas o espectro vê o espectro. Procurar maneiras melhores de identificar essas transformações é importante para descobrir novos materiais quânticos com eficiência e projetar aplicativos do mundo real.
Supercondutividade de alta temperatura
Supercondatividade – a capacidade de materiais específicos para a realização de eletricidade com redução de energia zero – Quantum é um dos eventos mais interessantes da física. Foi descoberto no dia 5, quando os cientistas descobriram que Mercúrio havia perdido completamente sua resistência elétrica a uma temperatura resfriada para uma temperatura fria do que qualquer local natural em nosso sistema solar.
Em 1957, os cientistas não foram capazes de explicar completamente como a supercondalidade funciona. Em temperaturas diárias, os elétrons de um elemento se movem de forma independente e frequentemente colidem com o átomo, reduzem a força no processo. No entanto, a temperaturas muito baixas, os elétrons podem agrupar e formar uma nova condição da substância. Nesse par, eles se movem para o afundamento perfeito como uma dança de boa curiografada, para que ela flua sem resistência à eletricidade.
Um grande progresso veio com a descoberta dos supercondatores de caprate em 1986. Esses materiais podem supercondrar o rodopio alto como um calvino (-20 graus Fahrenheit) à temperatura, que ainda está quente o suficiente para alcançar o uso de nitrogênio líquido barato, mesmo que esteja frio. Isso tornou a aplicação prática da supercondactividade mais realista.
No entanto, as capratas pertencem à classe de materiais quânticos, onde o comportamento dos elétrons envolve o comportamento e é governado por fortes flutuações quânticas. Essas fases materiais são difíceis de prever usando a teoria complexa e tradicional, ambos são emocionantes e desafiadores para o estudo.
Hoje, cientistas de todo o mundo estão concorrendo para desbloquear todo o potencial dos supercondctors. O objetivo final é criar materiais que possam fazer supercondute à temperatura ambiente. Se for bem -sucedido, pode revolucionar tudo, desde a rede de energia até a computação – permitindo que a eletricidade flua perfeitamente sem calor ou resíduos.
Um novo método
Os pesquisadores queriam usar um modelo de aprendizado de máquina para superar essa barreira.
Os modelos de aprendizado de máquina, é claro, requerem uma grande quantidade de treinamento de dados marcados com etiquetas para aprender como distinguir efetivamente um recurso específico das palavras vizinhas. Certamente, uma pequena quantidade de dados experimentais em transições de fase em materiais correlacionados mútuos.
Os pesquisadores adotaram o método de uma rede neural discriminatória de domínio (DANN) em um sistema de treinamento de reconhecimento de imagem semelhante usado em tecnologia por trás de carros autônomos. Em vez de inserir alguns milhões de fotos de gatos no modelo de aprendizado de máquina, é mais prático identificar e adquirir os principais recursos do gato. Por exemplo, as imagens 3D gerais, simuladas, mostrando os recursos essenciais de um gato mostrando um gato real pode ser retirado de diferentes ângulos para capturar um modelo necessário para treinar um modelo.
Chen diz: “Da mesma forma, ao imitar dados para as características essenciais da transição de fase termodinâmica, podemos treinar um modelo de aprendizado de máquina para detectá -lo”, disse Chen. “E expõe muitos novos lugares que podemos explorar o mais rápido possível nos testes da vida real. Desde que tenhamos os principais recursos de um sistema, podemos criar milhares de imagens para treinar um modelo de aprendizado de máquina para identificar esse padrão”.
Ele acrescentou que esses padrões são diretamente aplicáveis ao episódio de superconda de assadeira do espectro experimental real.
Seus romances, abordagens movidas a dados combinam-se com uma grande quantidade de dados simulados para obter uma quantidade limitada de dados de espectro experimental sobre materiais correlacionados mútuos. A assinatura original da transição de fase usada no modelo torna o processo de tomada de decisão da IA transparente e explicativo.
O modelo é legalizado
Os físicos Yale Team examinaram o modelo de aprendizado de máquina através de um Couprate com um Couprate. Os resultados mostram que o procedimento pode distinguir entre cerca de 98% de precisão entre a supercondcting e a fase não superpondenda.
E, em contraste com o aprendizado tradicional da máquina, a drenagem da AID-Alien na espectroscopia, o novo método identifica transições de fase com base no espectro dentro de um intervalo de energia, tornando-o mais visível e generalizado para vários materiais. Aumenta a probabilidade de um modelo para análise de alta Thrup.
Ao demonstrar o poder do aprendizado de máquina para superar as limitações experimentais para os dados, o trabalho superou os desafios crônicos na pesquisa de materiais quânticos, limpando o caminho da invenção rápida, o que pode afetar tudo, desde eletrônicos energéticos até a próxima geração de computadores.
Este trabalho foi financiado por pesquisa científica, concessão do Departamento de Energia dos EUA e do Departamento da Fundação Nacional de Ciências e uma concessão de sementes do Escritório de Reitor de Yale.