Una investigación innovadora demuestra que la inteligencia artificial reduce drásticamente el tiempo necesario para identificar fases cuánticas complejas en materiales, reduciendo un proceso de meses a minutos. Este avance, una colaboración entre la Universidad de Emory y la Universidad de Yale, fue publicado en Newton. Mejora significativamente la investigación de materiales cuánticos, especialmente los superconductores de baja dimensión, que conducen la electricidad sin resistencia a temperaturas específicas.
El estudio, dirigido por Fang Liu y Yao Wang de Emory, y Yu He de Yale, combina enfoques teóricos y experimentales para abordar la complejidad de los materiales cuánticos. Estos materiales exhiben comportamientos influenciados por el entrelazamiento y las fluctuaciones cuánticas, lo que dificulta su caracterización utilizando métodos tradicionales.
La innovación radica en la aplicación del aprendizaje automático para detectar señales espectrales que indican transiciones de fase. Xu Chen, el primer autor del estudio, señala que este método proporciona una instantánea rápida y precisa de las transiciones de fase complejas a una fracción del costo, lo que podría acelerar los descubrimientos de superconductividad.
Para abordar el desafío de los datos experimentales limitados de alta calidad, los investigadores utilizaron simulaciones de alto rendimiento para generar conjuntos de datos extensos, integrados con datos experimentales reales. Este marco permite que los modelos de aprendizaje automático identifiquen fases cuánticas a partir de instantáneas espectrales únicas, superando así los déficits de datos.
El marco del equipo de investigación permite que los modelos de aprendizaje automático identifiquen fases cuánticas a partir de datos experimentales, incluso extrayendo esta información de una sola instantánea espectral. Al aprovechar los conocimientos obtenidos de conjuntos de datos simulados, el marco mitiga significativamente el problema actual de los datos experimentales limitados en el aprendizaje automático científico. Este avance marca el comienzo de una era de exploración más rápida de materiales cuánticos, lo que permite a los científicos investigar sistemas moleculares a un ritmo sin precedentes.
La eficacia del modelo de aprendizaje automático fue rigurosamente validada por los físicos de Yale a través de pruebas experimentales en cupratos. Sorprendentemente, el método demostró una asombrosa precisión de casi el 98% al distinguir entre fases superconductoras y no superconductoras. A diferencia de los enfoques tradicionales de aprendizaje automático que a menudo se basan en la extracción de características asistida, este nuevo modelo identifica definitivamente las transiciones de fase basándose en características espectrales intrínsecas, lo que mejora su robustez y generalización en un espectro diverso de materiales.
Este avance promete acelerar el descubrimiento de tecnologías de eficiencia energética y soluciones informáticas de próxima generación.