突破性研究表明，人工智能能夠大幅縮短識別材料中複雜量子相所需的時間，將原本需要數月的過程縮短至幾分鐘。 這項由埃默里大學和耶魯大學合作完成的成果發表在《牛頓》雜誌上。 它顯著促進了對量子材料的研究，特別是低維超導體，這種材料在特定溫度下能夠無電阻地導電。
該研究由埃默里大學的劉芳和王堯，以及耶魯大學的何宇領導，結合了理論和實驗方法來解決量子材料的複雜性。 這些材料表現出受量子糾纏和漲落影響的行為，使得使用傳統方法難以對其進行表徵。
創新之處在於應用機器學習來檢測指示相變的譜信號。 該研究的第一作者徐晨指出，這種方法以極低的成本提供了複雜相變的快速、精確的快照，有可能加速超導性的發現。
為了解決高質量實驗數據有限的挑戰，研究人員使用高通量模擬生成了大量數據集，並與實際實驗數據相結合。 該框架使機器學習模型能夠從單個光譜快照中識別量子相，從而克服了數據不足的問題。
研究團隊的框架允許機器學習模型從實驗數據中識別量子相，甚至從單個光譜快照中提取這些信息。 通過利用從模擬數據集獲得的見解，該框架顯著緩解了科學機器學習中實驗數據有限的持續問題。 這一突破開啟了更快探索量子材料的時代，使科學家能夠以前所未有的速度研究分子系統。
耶魯大學的物理學家通過對銅酸鹽進行的實驗測試，嚴格驗證了機器學習模型的有效性。 令人印象深刻的是，該方法在區分超導相和非超導相時表現出了高達 98% 的驚人準確率。 與通常依賴於輔助特徵提取的傳統機器學習方法不同，這種新模型基於內在光譜特徵明確地確定相變，從而增強了其在各種材料中的魯棒性和通用性。
這一進展有望加速節能技術和下一代計算解決方案的發現。