Penelitian terobosan menunjukkan bahwa kecerdasan buatan secara drastis mengurangi waktu yang dibutuhkan untuk mengidentifikasi fase kuantum kompleks dalam material, memangkas proses dari hitungan bulan menjadi menit. Kemajuan ini, kolaborasi antara Emory University dan Yale University, diterbitkan di Newton. Ini secara signifikan meningkatkan penelitian tentang material kuantum, terutama superkonduktor berdimensi rendah, yang menghantarkan listrik tanpa resistansi pada suhu tertentu.
Studi yang dipimpin oleh Fang Liu dan Yao Wang dari Emory, dan Yu He dari Yale, menggabungkan pendekatan teoretis dan eksperimental untuk mengatasi kompleksitas material kuantum. Material ini menunjukkan perilaku yang dipengaruhi oleh keterikatan dan fluktuasi kuantum, sehingga sulit untuk dikarakterisasi menggunakan metode tradisional.
Inovasi terletak pada penerapan pembelajaran mesin untuk mendeteksi sinyal spektral yang mengindikasikan transisi fase. Xu Chen, penulis pertama studi ini, mencatat bahwa metode ini memberikan gambaran cepat dan tepat dari transisi fase kompleks dengan biaya yang lebih murah, yang berpotensi mempercepat penemuan superkonduktivitas.
Untuk mengatasi tantangan data eksperimen berkualitas tinggi yang terbatas, para peneliti menggunakan simulasi throughput tinggi untuk menghasilkan dataset ekstensif, yang diintegrasikan dengan data eksperimen aktual. Kerangka kerja ini memungkinkan model pembelajaran mesin untuk mengidentifikasi fase kuantum dari snapshot spektral tunggal, sehingga mengatasi defisit data.
Kerangka kerja tim peneliti memungkinkan model pembelajaran mesin untuk mengidentifikasi fase kuantum dari data eksperimen, bahkan mengekstraksi informasi ini dari snapshot spektral tunggal. Dengan memanfaatkan wawasan yang diperoleh dari dataset simulasi, kerangka kerja ini secara signifikan mengurangi masalah berkelanjutan dari data eksperimen terbatas dalam pembelajaran mesin ilmiah. Terobosan ini mengantarkan era eksplorasi material kuantum yang lebih cepat, memungkinkan para ilmuwan untuk menyelidiki sistem molekuler dengan kecepatan yang belum pernah terjadi sebelumnya.
Kemanjuran model pembelajaran mesin divalidasi secara ketat oleh fisikawan Yale melalui pengujian eksperimen pada kuprat. Hebatnya, metode ini menunjukkan akurasi yang mencengangkan hampir 98% dalam membedakan antara fase superkonduktor dan non-superkonduktor. Tidak seperti pendekatan pembelajaran mesin tradisional yang sering bergantung pada ekstraksi fitur berbantuan, model baru ini secara definitif menunjukkan transisi fase berdasarkan fitur spektral intrinsik, sehingga meningkatkan ketahanan dan generalisasi di berbagai spektrum material.
Kemajuan ini menjanjikan untuk mempercepat penemuan teknologi hemat energi dan solusi komputasi generasi berikutnya.