Новітні дослідження показують, що штучний інтелект значно скорочує час, необхідний для ідентифікації складних квантових фаз у матеріалах, скорочуючи процес з місяців до хвилин. Це досягнення, результат співпраці між Університетом Еморі та Єльським університетом, було опубліковано в журналі Newton. Воно значно покращує дослідження квантових матеріалів, особливо низькорозмірних надпровідників, які проводять електрику без опору при певних температурах.
Дослідження, проведене Фан Лю та Яо Вангом з Еморі та Ю Хе з Єлю, поєднує теоретичні та експериментальні підходи для вирішення складності квантових матеріалів. Ці матеріали демонструють поведінку, на яку впливають квантова заплутаність і флуктуації, що ускладнює їх характеристику за допомогою традиційних методів.
Інновація полягає в застосуванні машинного навчання для виявлення спектральних сигналів, що вказують на фазові переходи. Сюй Чен, перший автор дослідження, зазначає, що цей метод забезпечує швидкий і точний знімок складних фазових переходів за незначну частину вартості, що потенційно прискорює відкриття надпровідності.
Щоб вирішити проблему обмеженої кількості високоякісних експериментальних даних, дослідники використовували високопродуктивне моделювання для створення великих наборів даних, інтегрованих з фактичними експериментальними даними. Ця структура дозволяє моделям машинного навчання ідентифікувати квантові фази за окремими спектральними знімками, долаючи дефіцит даних.
Структура дослідницької групи дозволяє моделям машинного навчання ідентифікувати квантові фази за експериментальними даними, навіть витягуючи цю інформацію з одного спектрального знімка. Використовуючи ідеї, отримані з змодельованих наборів даних, ця структура значно пом'якшує поточну проблему обмеженої кількості експериментальних даних у науковому машинному навчанні. Цей прорив відкриває еру швидшого дослідження квантових матеріалів, дозволяючи вченим досліджувати молекулярні системи з безпрецедентною швидкістю.
Ефективність моделі машинного навчання була ретельно перевірена фізиками Єльського університету за допомогою експериментальних тестів на купратах. Вражаюче, метод продемонстрував вражаючу точність майже 98% у розрізненні надпровідних і ненадпровідних фаз. На відміну від традиційних підходів машинного навчання, які часто покладаються на допоміжне вилучення ознак, ця нова модель чітко визначає фазові переходи на основі внутрішніх спектральних характеристик, тим самим підвищуючи її надійність і узагальненість у широкому спектрі матеріалів.
Цей прогрес обіцяє прискорити відкриття енергоефективних технологій і обчислювальних рішень наступного покоління.