Une recherche révolutionnaire démontre que l'intelligence artificielle réduit considérablement le temps nécessaire pour identifier les phases quantiques complexes dans les matériaux, ramenant un processus de plusieurs mois à quelques minutes. Cette avancée, fruit d'une collaboration entre l'Université Emory et l'Université Yale, a été publiée dans Newton. Elle améliore considérablement la recherche sur les matériaux quantiques, en particulier les supraconducteurs de faible dimension, qui conduisent l'électricité sans résistance à des températures spécifiques.
L'étude, menée par Fang Liu et Yao Wang d'Emory, et Yu He de Yale, combine des approches théoriques et expérimentales pour aborder la complexité des matériaux quantiques. Ces matériaux présentent des comportements influencés par l'intrication et les fluctuations quantiques, ce qui les rend difficiles à caractériser à l'aide des méthodes traditionnelles.
L'innovation réside dans l'application de l'apprentissage automatique pour détecter les signaux spectraux indiquant les transitions de phase. Xu Chen, premier auteur de l'étude, note que cette méthode fournit un instantané rapide et précis des transitions de phase complexes à une fraction du coût, ce qui pourrait accélérer les découvertes en matière de supraconductivité.
Pour résoudre le problème de la limitation des données expérimentales de haute qualité, les chercheurs ont utilisé des simulations à haut débit pour générer des ensembles de données étendus, intégrés aux données expérimentales réelles. Ce cadre permet aux modèles d'apprentissage automatique d'identifier les phases quantiques à partir d'instantanés spectraux uniques, surmontant ainsi les déficits de données.
Le cadre de l'équipe de recherche permet aux modèles d'apprentissage automatique d'identifier les phases quantiques à partir de données expérimentales, même en extrayant ces informations d'un seul instantané spectral. En tirant parti des informations obtenues à partir d'ensembles de données simulés, le cadre atténue considérablement le problème actuel de la limitation des données expérimentales dans l'apprentissage automatique scientifique. Cette percée ouvre une ère d'exploration plus rapide des matériaux quantiques, permettant aux scientifiques d'étudier les systèmes moléculaires à un rythme sans précédent.
L'efficacité du modèle d'apprentissage automatique a été rigoureusement validée par les physiciens de Yale par le biais de tests expérimentaux sur les cuprates. De manière impressionnante, la méthode a démontré une précision étonnante de près de 98 % pour distinguer les phases supraconductrices et non supraconductrices. Contrairement aux approches traditionnelles d'apprentissage automatique qui reposent souvent sur l'extraction de caractéristiques assistée, ce nouveau modèle identifie de manière définitive les transitions de phase sur la base de caractéristiques spectrales intrinsèques, améliorant ainsi sa robustesse et sa généralisabilité sur un large éventail de matériaux.
Cette avancée promet d'accélérer la découverte de technologies écoénergétiques et de solutions informatiques de nouvelle génération.