Baanbrekend onderzoek toont aan dat kunstmatige intelligentie de tijd die nodig is om complexe kwantumfasen in materialen te identificeren drastisch verkort, waardoor een proces van maanden tot minuten wordt teruggebracht. Deze vooruitgang, een samenwerking tussen Emory University en Yale University, werd gepubliceerd in Newton. Het verbetert aanzienlijk het onderzoek naar kwantummaterialen, met name laagdimensionale supergeleiders, die elektriciteit zonder weerstand geleiden bij specifieke temperaturen.
De studie, geleid door Fang Liu en Yao Wang van Emory, en Yu He van Yale, combineert theoretische en experimentele benaderingen om de complexiteit van kwantummaterialen aan te pakken. Deze materialen vertonen gedragingen die worden beïnvloed door kwantumverstrengeling en -fluctuaties, waardoor ze moeilijk te karakteriseren zijn met traditionele methoden.
De innovatie ligt in het toepassen van machine learning om spectrale signalen te detecteren die faseovergangen aangeven. Xu Chen, de eerste auteur van de studie, merkt op dat deze methode een snelle, nauwkeurige momentopname biedt van complexe faseovergangen tegen een fractie van de kosten, waardoor de ontdekking van supergeleiding mogelijk wordt versneld.
Om de uitdaging van beperkte experimentele gegevens van hoge kwaliteit aan te pakken, gebruikten de onderzoekers high-throughput simulaties om uitgebreide datasets te genereren, geïntegreerd met daadwerkelijke experimentele gegevens. Dit raamwerk stelt machine learning-modellen in staat om kwantumfasen te identificeren aan de hand van afzonderlijke spectrale momentopnamen, waardoor datatekorten worden overwonnen.
Het raamwerk van het onderzoeksteam stelt machine learning-modellen in staat om kwantumfasen te identificeren aan de hand van experimentele gegevens, en zelfs deze informatie uit een afzonderlijke spectrale momentopname te halen. Door gebruik te maken van inzichten verkregen uit gesimuleerde datasets, vermindert het raamwerk aanzienlijk het aanhoudende probleem van beperkte experimentele gegevens in wetenschappelijk machine learning. Deze doorbraak luidt een tijdperk in van snellere exploratie van kwantummaterialen, waardoor wetenschappers moleculaire systemen in een ongekend tempo kunnen onderzoeken.
De effectiviteit van het machine learning-model werd rigoureus gevalideerd door de natuurkundigen van Yale door middel van experimentele tests op cupraten. Indrukwekkend genoeg demonstreerde de methode een verbazingwekkende nauwkeurigheid van bijna 98% bij het onderscheiden van supergeleidende en niet-supergeleidende fasen. In tegenstelling tot traditionele machine learning-benaderingen die vaak afhankelijk zijn van geassisteerde feature-extractie, lokaliseert dit nieuwe model definitief faseovergangen op basis van intrinsieke spectrale kenmerken, waardoor de robuustheid en generaliseerbaarheid over een divers spectrum van materialen worden verbeterd.
Deze vooruitgang belooft de ontdekking van energiezuinige technologieën en next-generation computeroplossingen te versnellen.