突破性研究表明，人工智能能够大幅缩短识别材料中复杂量子相所需的时间，将原本需要数月的过程缩短至几分钟。这项由埃默里大学和耶鲁大学合作完成的成果发表在《牛顿》杂志上。它显著促进了对量子材料的研究，特别是低维超导体，这种材料在特定温度下能够无电阻地导电。
该研究由埃默里大学的刘芳和王尧，以及耶鲁大学的何宇领导，结合了理论和实验方法来解决量子材料的复杂性。这些材料表现出受量子纠缠和涨落影响的行为，使得使用传统方法难以对其进行表征。
创新之处在于应用机器学习来检测指示相变的谱信号。该研究的第一作者徐晨指出，这种方法以极低的成本提供了复杂相变的快速、精确的快照，有可能加速超导性的发现。
为了解决高质量实验数据有限的挑战，研究人员使用高通量模拟生成了大量数据集，并与实际实验数据相结合。该框架使机器学习模型能够从单个光谱快照中识别量子相，从而克服了数据不足的问题。
研究团队的框架允许机器学习模型从实验数据中识别量子相，甚至从单个光谱快照中提取这些信息。通过利用从模拟数据集获得的见解，该框架显著缓解了科学机器学习中实验数据有限的持续问题。这一突破开启了更快探索量子材料的时代，使科学家能够以前所未有的速度研究分子系统。
耶鲁大学的物理学家通过对铜酸盐进行的实验测试，严格验证了机器学习模型的有效性。令人印象深刻的是，该方法在区分超导相和非超导相时表现出了高达 98% 的惊人准确率。与通常依赖于辅助特征提取的传统机器学习方法不同，这种新模型基于内在光谱特征明确地确定相变，从而增强了其在各种材料中的鲁棒性和通用性。
这一进展有望加速节能技术和下一代计算解决方案的发现。