Çığır açan bir araştırma, yapay zekanın malzemelerdeki karmaşık kuantum fazlarını tanımlamak için gereken süreyi önemli ölçüde azalttığını ve bir süreci aylardan dakikalara indirdiğini gösteriyor. Emory Üniversitesi ve Yale Üniversitesi arasındaki bir işbirliği olan bu gelişme, Newton'da yayınlandı. Kuantum malzemeleri, özellikle belirli sıcaklıklarda direnç olmadan elektrik ileten düşük boyutlu süper iletkenler üzerindeki araştırmaları önemli ölçüde geliştiriyor.
Emory'den Fang Liu ve Yao Wang ile Yale'den Yu He'nin liderliğindeki çalışma, kuantum malzemelerinin karmaşıklığıyla başa çıkmak için teorik ve deneysel yaklaşımları birleştiriyor. Bu malzemeler, kuantum dolanıklığı ve dalgalanmalarından etkilenen davranışlar sergiler ve bu da geleneksel yöntemlerle karakterize edilmelerini zorlaştırır.
Yenilik, faz geçişlerini gösteren spektral sinyalleri tespit etmek için makine öğreniminin uygulanmasında yatıyor. Çalışmanın ilk yazarı Xu Chen, bu yöntemin karmaşık faz geçişlerinin hızlı ve kesin bir anlık görüntüsünü maliyetin çok altında sağladığını ve potansiyel olarak süper iletkenlik keşiflerini hızlandırdığını belirtiyor.
Sınırlı yüksek kaliteli deneysel veri sorununu ele almak için araştırmacılar, gerçek deneysel verilerle entegre edilmiş kapsamlı veri kümeleri oluşturmak için yüksek verimli simülasyonlar kullandılar. Bu çerçeve, makine öğrenimi modellerinin tek spektral anlık görüntülerden kuantum fazlarını tanımlamasına olanak tanıyarak veri eksikliklerinin üstesinden geliyor.
Araştırma ekibinin çerçevesi, makine öğrenimi modellerinin deneysel verilerden kuantum fazlarını tanımlamasına ve hatta bu bilgileri tek bir spektral anlık görüntüden çıkarmasına olanak tanıyor. Simüle edilmiş veri kümelerinden elde edilen içgörüleri kullanarak, çerçeve bilimsel makine öğreniminde sınırlı deneysel veri sorununu önemli ölçüde azaltıyor. Bu atılım, bilim adamlarının moleküler sistemleri benzeri görülmemiş bir hızda incelemelerini sağlayarak kuantum malzemelerinin daha hızlı keşfedildiği bir çağı başlatıyor.
Makine öğrenimi modelinin etkinliği, Yale'li fizikçiler tarafından kupratlar üzerinde yapılan deneysel testlerle titizlikle doğrulandı. Yöntem, süper iletken ve süper iletken olmayan fazlar arasında ayrım yapmada etkileyici bir şekilde yaklaşık %98'lik şaşırtıcı bir doğruluk gösterdi. Genellikle destekli özellik çıkarımına dayanan geleneksel makine öğrenimi yaklaşımlarından farklı olarak, bu yeni model, faz geçişlerini kesin olarak içsel spektral özelliklere göre belirliyor ve böylece çeşitli malzeme yelpazesinde sağlamlığını ve genellenebilirliğini artırıyor.
Bu gelişme, enerji tasarruflu teknolojilerin ve yeni nesil bilgi işlem çözümlerinin keşfini hızlandırma vaadini taşıyor.