Maskinlæring og neurale netværk genkender eksotiske isolerende faser i kvantematerialer

Leder den elektricitet? Eller isolere mod elektricitet? Fysikere klassificerer normalt materialefaser som den ene eller den anden. Maskinlæring er et kraftfuldt værktøj til mønstergenkendelse og kan dermed hjælpe med at identificere faser af stof. Imidlertid, maskinlæring har brug for en bro til kvanteverdenen, hvor atomernes fysik, elektroner, og partikler adskiller sig fra større objekter eller galakser. Nu, forskere har leveret en bro, som de kalder quantum loop topografiteknikken. Dette er en maskinlæringsalgoritme baseret på neurale netværk. Det opdager med høj effektivitet en eksotisk fase, hvor elektricitet ledes rundt om materialets overflade, men ikke gennem midten. Også, det skelner mellem normale isolatorer og disse eksotiske topologiske isolatorer.

Hurtigt at finde eksotiske topologiske faser er afgørende for nye, ultrakraftige computere. At finde isoleringsfasen i denne forskning er kun begyndelsen på denne teknik. Teknikken forbinder neurale netværk med teorien om kvanteverdenen. Kvanteverdenen fører ofte til utrolige egenskaber, der kunne frigøre kraftfulde, energieffektiv elektronik. Denne teknik giver forskere værktøjerne til hurtigere at finde og kortlægge andre eksotiske faser.

Der er stigende interesse for at udnytte maskinlæring til at besvare spørgsmål om kondenseret fysiks fysik, som metaller og isolatorer, herunder hvordan man forstår interaktionerne mellem mange elektroner. Kvantesystemer kan have eksponentielt store parameterrum, der ligner store datasæt med billeder eller analyse af forbrugerdata. Derfor, maskinlæringsalgoritmer baseret på neurale netværk kunne også trænes i at identificere kvantefaser. Træning i så mange oplysninger er svært. Imidlertid, den relevante information er meget mindre. Den centrale udfordring er at udtrække væsentlig information fra den elektroniske densitet (også kendt som mange-kropsbølgefunktion).

I dette studie, forskere ved Cornell University har med succes tacklet denne udfordring. De udtrak de vigtige data ved hjælp af en quantum loop topografibro. Ved anvendelsen af ​​denne kvantebro, et flerdimensionalt billede dannes fra trekantede områder, eller sløjfer, i den elektroniske densitetsprofil. Signaturer til at definere fasen styrer loop -konfigurationen. Signaturen var en særlig type kaldet Hall conductivity. Forskerne fodrede derefter de multidimensionale billeder til et fuldt forbundet neuralt netværk med et enkelt skjult lag.

Forskerne demonstrerede, at det neurale netværk effektivt kunne trænes til at skelne topologiske isolatorer (f.eks. Chern isolator og fractional Chern isolator) fra normale isolatorer med høj trofasthed og betydelig hastighed i forhold til standardmetoder. De havde i det væsentlige grænseflade mellem neurale netværk og billedgenkendelse med teori om kondenseret stof. Derved overvandt kvanteslynge-topografien den "topologiske nærsynethed af maskinlæringsalgoritmer baseret på neurale netværk" (American Physical Society-synspunkt). Denne præstation baner vejen for hurtigere identifikation af topologisk orden og opnåelse af flere fasediagrammer over eksotiske materialer.