Прорывное исследование демонстрирует, что искусственный интеллект значительно сокращает время, необходимое для идентификации сложных квантовых фаз в материалах, сокращая процесс с месяцев до минут. Это достижение, результат сотрудничества между Университетом Эмори и Йельским университетом, было опубликовано в Newton. Оно значительно улучшает исследования квантовых материалов, особенно низкоразмерных сверхпроводников, которые проводят электричество без сопротивления при определенных температурах.
Исследование, проведенное Фан Лю и Яо Вангом из Эмори и Ю Хэ из Йеля, объединяет теоретические и экспериментальные подходы для решения сложности квантовых материалов. Эти материалы демонстрируют поведение, на которое влияют квантовая запутанность и флуктуации, что затрудняет их характеристику с помощью традиционных методов.
Инновация заключается в применении машинного обучения для обнаружения спектральных сигналов, указывающих на фазовые переходы. Сюй Чен, первый автор исследования, отмечает, что этот метод обеспечивает быстрый и точный снимок сложных фазовых переходов за небольшую часть стоимости, что потенциально ускоряет открытия в области сверхпроводимости.
Решая проблему ограниченности высококачественных экспериментальных данных, исследователи использовали высокопроизводительное моделирование для создания обширных наборов данных, интегрированных с фактическими экспериментальными данными. Эта структура позволяет моделям машинного обучения идентифицировать квантовые фазы по отдельным спектральным снимкам, преодолевая дефицит данных.
Структура исследовательской группы позволяет моделям машинного обучения идентифицировать квантовые фазы по экспериментальным данным, даже извлекая эту информацию из одного спектрального снимка. Используя информацию, полученную из смоделированных наборов данных, структура значительно смягчает текущую проблему ограниченности экспериментальных данных в научном машинном обучении. Этот прорыв открывает эру более быстрого исследования квантовых материалов, позволяя ученым исследовать молекулярные системы с беспрецедентной скоростью.
Эффективность модели машинного обучения была тщательно проверена физиками Йельского университета посредством экспериментальных испытаний на купратах. Впечатляет то, что метод продемонстрировал поразительную точность, почти 98%, в различении сверхпроводящих и несверхпроводящих фаз. В отличие от традиционных подходов машинного обучения, которые часто полагаются на вспомогательное извлечение признаков, эта новая модель однозначно определяет фазовые переходы на основе внутренних спектральных признаков, тем самым повышая ее надежность и обобщаемость для широкого спектра материалов.
Этот прогресс обещает ускорить открытие энергоэффективных технологий и вычислительных решений следующего поколения.