Nghiên cứu đột phá chứng minh rằng trí tuệ nhân tạo làm giảm đáng kể thời gian cần thiết để xác định các pha lượng tử phức tạp trong vật liệu, thu hẹp một quy trình từ vài tháng xuống còn vài phút. Sự tiến bộ này, một sự hợp tác giữa Đại học Emory và Đại học Yale, đã được xuất bản trên Newton. Nó tăng cường đáng kể nghiên cứu về vật liệu lượng tử, đặc biệt là chất siêu dẫn chiều thấp, dẫn điện mà không có điện trở ở nhiệt độ cụ thể.
Nghiên cứu, do Fang Liu và Yao Wang từ Emory, và Yu He từ Yale dẫn đầu, kết hợp các phương pháp lý thuyết và thực nghiệm để giải quyết sự phức tạp của vật liệu lượng tử. Các vật liệu này thể hiện các hành vi bị ảnh hưởng bởi sự vướng víu và biến động lượng tử, gây khó khăn cho việc mô tả chúng bằng các phương pháp truyền thống.
Sự đổi mới nằm ở việc áp dụng máy học để phát hiện các tín hiệu quang phổ cho biết sự chuyển pha. Xu Chen, tác giả đầu tiên của nghiên cứu, lưu ý rằng phương pháp này cung cấp một ảnh chụp nhanh, chính xác về các chuyển pha phức tạp với chi phí thấp, có khả năng tăng tốc các khám phá về siêu dẫn.
Giải quyết thách thức về dữ liệu thử nghiệm chất lượng cao hạn chế, các nhà nghiên cứu đã sử dụng mô phỏng thông lượng cao để tạo ra các tập dữ liệu mở rộng, được tích hợp với dữ liệu thử nghiệm thực tế. Khuôn khổ này cho phép các mô hình máy học xác định các pha lượng tử từ các ảnh chụp quang phổ đơn lẻ, khắc phục tình trạng thiếu dữ liệu.
Khuôn khổ của nhóm nghiên cứu cho phép các mô hình máy học xác định các pha lượng tử từ dữ liệu thử nghiệm, thậm chí trích xuất thông tin này từ một ảnh chụp quang phổ duy nhất. Bằng cách tận dụng những hiểu biết thu được từ các tập dữ liệu mô phỏng, khuôn khổ này giảm thiểu đáng kể vấn đề đang diễn ra về dữ liệu thử nghiệm hạn chế trong máy học khoa học. Bước đột phá này mở ra một kỷ nguyên khám phá vật liệu lượng tử nhanh hơn, cho phép các nhà khoa học nghiên cứu các hệ thống phân tử với tốc độ chưa từng có.
Hiệu quả của mô hình máy học đã được các nhà vật lý của Yale xác nhận một cách nghiêm ngặt thông qua các thử nghiệm thực nghiệm trên cuprate. Ấn tượng là, phương pháp này đã chứng minh độ chính xác đáng kinh ngạc gần 98% trong việc phân biệt giữa các pha siêu dẫn và không siêu dẫn. Không giống như các phương pháp máy học truyền thống thường dựa vào trích xuất đặc trưng được hỗ trợ, mô hình mới này xác định rõ ràng các chuyển pha dựa trên các đặc trưng quang phổ vốn có, do đó tăng cường tính mạnh mẽ và khả năng khái quát hóa của nó trên một loạt các vật liệu đa dạng.
Sự tiến bộ này hứa hẹn sẽ đẩy nhanh việc khám phá các công nghệ tiết kiệm năng lượng và các giải pháp điện toán thế hệ tiếp theo.