Bahnbrechende Forschungsergebnisse zeigen, dass künstliche Intelligenz die Zeit, die benötigt wird, um komplexe Quantenphasen in Materialien zu identifizieren, drastisch reduziert und einen Prozess von Monaten auf Minuten verkürzt. Dieser Fortschritt, eine Zusammenarbeit zwischen der Emory University und der Yale University, wurde in Newton veröffentlicht. Er verbessert die Forschung an Quantenmaterialien, insbesondere an niedrigdimensionalen Supraleitern, die bei bestimmten Temperaturen Strom ohne Widerstand leiten, erheblich.
Die Studie unter der Leitung von Fang Liu und Yao Wang von Emory sowie Yu He von Yale kombiniert theoretische und experimentelle Ansätze, um die Komplexität von Quantenmaterialien zu bewältigen. Diese Materialien weisen Verhaltensweisen auf, die von Quantenverschränkung und -fluktuationen beeinflusst werden, was ihre Charakterisierung mit traditionellen Methoden erschwert.
Die Innovation liegt in der Anwendung von maschinellem Lernen zur Erkennung von Spektralsignalen, die Phasenübergänge anzeigen. Xu Chen, der Erstautor der Studie, merkt an, dass diese Methode eine schnelle, präzise Momentaufnahme komplexer Phasenübergänge zu einem Bruchteil der Kosten liefert und möglicherweise die Entdeckung von Supraleitfähigkeit beschleunigt.
Um die Herausforderung begrenzter hochwertiger experimenteller Daten zu bewältigen, verwendeten die Forscher High-Throughput-Simulationen, um umfangreiche Datensätze zu generieren, die mit tatsächlichen experimentellen Daten integriert wurden. Dieser Rahmen ermöglicht es Modellen des maschinellen Lernens, Quantenphasen aus einzelnen spektralen Momentaufnahmen zu identifizieren und so Datendefizite zu überwinden.
Der Rahmen des Forschungsteams ermöglicht es Modellen des maschinellen Lernens, Quantenphasen aus experimentellen Daten zu identifizieren und diese Informationen sogar aus einer einzigen spektralen Momentaufnahme zu extrahieren. Durch die Nutzung von Erkenntnissen aus simulierten Datensätzen mildert der Rahmen das anhaltende Problem begrenzter experimenteller Daten im wissenschaftlichen maschinellen Lernen erheblich. Dieser Durchbruch läutet eine Ära der schnelleren Erforschung von Quantenmaterialien ein, die es Wissenschaftlern ermöglicht, molekulare Systeme in einem noch nie dagewesenen Tempo zu untersuchen.
Die Wirksamkeit des Modells des maschinellen Lernens wurde von den Physikern von Yale durch experimentelle Tests an Cupraten rigoros validiert. Beeindruckenderweise zeigte die Methode eine erstaunliche Genauigkeit von fast 98 % bei der Unterscheidung zwischen supraleitenden und nicht-supraleitenden Phasen. Im Gegensatz zu traditionellen Ansätzen des maschinellen Lernens, die oft auf unterstützte Merkmalsextraktion angewiesen sind, identifiziert dieses neue Modell Phasenübergänge definitiv auf der Grundlage intrinsischer spektraler Merkmale und verbessert so seine Robustheit und Generalisierbarkeit über ein breites Spektrum von Materialien.
Dieser Fortschritt verspricht, die Entdeckung energieeffizienter Technologien und Computerlösungen der nächsten Generation zu beschleunigen.