Przełomowe badania pokazują, że sztuczna inteligencja drastycznie skraca czas potrzebny do identyfikacji złożonych faz kwantowych w materiałach, skracając proces z miesięcy do minut. To osiągnięcie, będące efektem współpracy Emory University i Yale University, zostało opublikowane w Newton. Znacząco przyspiesza badania nad materiałami kwantowymi, zwłaszcza nad niskowymiarowymi nadprzewodnikami, które przewodzą prąd elektryczny bez oporu w określonych temperaturach.
Badanie, prowadzone przez Fang Liu i Yao Wang z Emory oraz Yu He z Yale, łączy podejścia teoretyczne i eksperymentalne, aby poradzić sobie ze złożonością materiałów kwantowych. Materiały te wykazują zachowania pod wpływem splątania kwantowego i fluktuacji, co utrudnia ich charakteryzację za pomocą tradycyjnych metod.
Innowacja polega na zastosowaniu uczenia maszynowego do wykrywania sygnałów spektralnych wskazujących na przejścia fazowe. Xu Chen, pierwszy autor badania, zauważa, że ta metoda zapewnia szybki, precyzyjny obraz złożonych przejść fazowych za ułamek kosztów, potencjalnie przyspieszając odkrycia nadprzewodnictwa.
W odpowiedzi na wyzwanie związane z ograniczoną ilością wysokiej jakości danych eksperymentalnych, naukowcy wykorzystali symulacje o wysokiej przepustowości do wygenerowania obszernych zbiorów danych, zintegrowanych z rzeczywistymi danymi eksperymentalnymi. Ta struktura umożliwia modelom uczenia maszynowego identyfikację faz kwantowych na podstawie pojedynczych zdjęć spektralnych, pokonując niedobory danych.
Struktura zespołu badawczego pozwala modelom uczenia maszynowego identyfikować fazy kwantowe na podstawie danych eksperymentalnych, a nawet wydobywać te informacje z pojedynczego zdjęcia spektralnego. Wykorzystując spostrzeżenia uzyskane z symulowanych zbiorów danych, struktura ta znacznie łagodzi trwający problem ograniczonej ilości danych eksperymentalnych w naukowym uczeniu maszynowym. To przełomowe odkrycie zapoczątkowuje erę szybszej eksploracji materiałów kwantowych, umożliwiając naukowcom badanie systemów molekularnych w bezprecedensowym tempie.
Skuteczność modelu uczenia maszynowego została rygorystycznie zweryfikowana przez fizyków z Yale poprzez testy eksperymentalne na kupratach. Co imponujące, metoda wykazała zdumiewającą dokładność bliską 98% w rozróżnianiu faz nadprzewodzących i nienadprzewodzących. W przeciwieństwie do tradycyjnych metod uczenia maszynowego, które często opierają się na wspomaganym wydobywaniu cech, ten nowy model ostatecznie wskazuje przejścia fazowe w oparciu o wewnętrzne cechy spektralne, zwiększając w ten sposób jego solidność i uogólnialność w szerokim spektrum materiałów.
Ten postęp obiecuje przyspieszyć odkrywanie energooszczędnych technologii i rozwiązań obliczeniowych następnej generacji.