Una ricerca rivoluzionaria dimostra che l'intelligenza artificiale riduce drasticamente il tempo necessario per identificare le complesse fasi quantistiche nei materiali, riducendo un processo da mesi a minuti. Questo progresso, una collaborazione tra la Emory University e la Yale University, è stato pubblicato su Newton. Migliora significativamente la ricerca sui materiali quantistici, in particolare i superconduttori a bassa dimensione, che conducono elettricità senza resistenza a temperature specifiche.
Lo studio, guidato da Fang Liu e Yao Wang di Emory, e Yu He di Yale, combina approcci teorici e sperimentali per affrontare la complessità dei materiali quantistici. Questi materiali esibiscono comportamenti influenzati dall'entanglement e dalle fluttuazioni quantistiche, rendendo difficile la loro caratterizzazione con metodi tradizionali.
L'innovazione risiede nell'applicazione dell'apprendimento automatico per rilevare segnali spettrali che indicano transizioni di fase. Xu Chen, il primo autore dello studio, osserva che questo metodo fornisce un'istantanea rapida e precisa delle transizioni di fase complesse a una frazione del costo, accelerando potenzialmente le scoperte sulla superconduttività.
Affrontando la sfida dei dati sperimentali limitati di alta qualità, i ricercatori hanno utilizzato simulazioni ad alta produttività per generare set di dati estesi, integrati con dati sperimentali reali. Questo framework consente ai modelli di apprendimento automatico di identificare le fasi quantistiche da singole istantanee spettrali, superando le carenze di dati.
Il framework del team di ricerca consente ai modelli di apprendimento automatico di identificare le fasi quantistiche dai dati sperimentali, estraendo persino queste informazioni da una singola istantanea spettrale. Sfruttando le informazioni ottenute da set di dati simulati, il framework mitiga in modo significativo il problema in corso dei dati sperimentali limitati nell'apprendimento automatico scientifico. Questa svolta inaugura un'era di esplorazione più rapida dei materiali quantistici, consentendo agli scienziati di studiare i sistemi molecolari a un ritmo senza precedenti.
L'efficacia del modello di apprendimento automatico è stata rigorosamente convalidata dai fisici di Yale attraverso test sperimentali sui cuprati. Sorprendentemente, il metodo ha dimostrato una precisione sorprendente di quasi il 98% nel distinguere tra fasi superconduttive e non superconduttive. A differenza degli approcci tradizionali di apprendimento automatico che spesso si basano sull'estrazione di caratteristiche assistita, questo nuovo modello individua definitivamente le transizioni di fase in base alle caratteristiche spettrali intrinseche, migliorando così la sua robustezza e generalizzabilità in un diverso spettro di materiali.
Questo progresso promette di accelerare la scoperta di tecnologie ad alta efficienza energetica e soluzioni informatiche di prossima generazione.