Maskinlæring låser op for mysterier i kvantefysikken

At forstå elektronernes indviklede adfærd har ført til opdagelser, der transformerede samfundet, såsom revolutionen i databehandling muliggjort ved opfindelsen af ​​transistoren.

I dag, gennem teknologiske fremskridt, elektronadfærd kan studeres meget dybere end tidligere, muligvis muliggøre videnskabelige gennembrud lige så verdensændrende som den personlige computer. Imidlertid, de data, disse værktøjer genererer, er for komplekse til, at mennesker kan fortolke dem.

Et Cornell-ledet team har udviklet en måde at bruge maskinlæring til at analysere de data, der genereres ved scanning af tunnelmikroskopi (STM)-en teknik, der producerer billeder i subatomær skala af elektroniske bevægelser i materialeflader med forskellige energier, at levere oplysninger, der ikke kan opnås med nogen anden metode.

"Nogle af disse billeder blev taget på materialer, der har været anset for vigtige og mystiske i to årtier, "sagde Eun-Ah Kim, professor i fysik. "Du spekulerer på, hvilken slags hemmeligheder der er begravet i disse billeder. Vi vil gerne låse disse hemmeligheder op."

Kim er seniorforfatter af "Machine Learning in Electronic Quantum Matter Imaging Experiments, ", der blev offentliggjort i Natur 19. juni De første forfattere er Yi Zhang, tidligere en postdoktor i Kims laboratorium og nu på Peking University i Kina, og Andrej Mesaros, en tidligere postdoktor i Kims laboratorium nu på Université Paris-Sud i Frankrig.

Medforfattere inkluderer J.C. Séamus Davis, Cornells James Gilbert White, fremtrædende professor i fysiske videnskaber, en innovatør i STM-drevne undersøgelser.

Forskningen gav ny indsigt i, hvordan elektroner interagerer - og viste, hvordan maskinlæring kan bruges til at drive yderligere opdagelse i eksperimentel kvantefysik.

På subatomær skala, en given prøve vil omfatte billioner billioner af elektroner, der interagerer med hinanden og den omgivende infrastruktur. Elektroners adfærd bestemmes delvist af spændingen mellem deres to konkurrerende tendenser:at bevæge sig rundt, forbundet med kinetisk energi; og at holde sig langt væk fra hinanden, forbundet med frastødende interaktionsenergi.

I dette studie, Kim og samarbejdspartnere satte sig for at opdage, hvilken af ​​disse tendenser der er vigtigere i et superledende materiale med høj temperatur.

Ved hjælp af STM, elektroner tunnel gennem et vakuum mellem den ledende spids af mikroskopet og overfladen af ​​prøven, der undersøges, giver detaljerede oplysninger om elektronernes adfærd.

"Problemet er, når du tager sådanne data og registrerer det, du får billedlignende data, men det er ikke et naturligt billede, som et æble eller en pære, "Sagde Kim. Data genereret af instrumentet ligner mere et mønster, hun sagde, og omkring 10, 000 gange mere kompliceret end en traditionel målekurve. "Vi har ikke et godt værktøj til at studere den slags datasæt."

For at fortolke disse data, forskerne simulerede et ideelt miljø og tilføjede faktorer, der ville forårsage ændringer i elektronadfærd. De trænede derefter et kunstigt neuralt netværk - en slags kunstig intelligens, der kan lære en bestemt opgave ved hjælp af metoder inspireret af, hvordan hjernen fungerer - til at genkende de omstændigheder, der er forbundet med forskellige teorier. Når forskerne indtaster de eksperimentelle data i det neurale netværk, den bestemte, hvilken af ​​teorierne de faktiske data mest lignede.

Denne metode, Kim sagde, bekræftede hypotesen om, at den frastødende interaktionsenergi var mere indflydelsesrig i elektronernes adfærd.

En bedre forståelse af, hvor mange elektroner der interagerer på forskellige materialer og under forskellige forhold, vil sandsynligvis føre til flere opdagelser, hun sagde, herunder udvikling af nye materialer.

"De materialer, der førte til den første revolution af transistorer, var faktisk ret simple materialer. Nu har vi mulighed for at designe meget mere komplekse materialer, "Sagde Kim." Hvis disse kraftfulde værktøjer kan afsløre vigtige aspekter, der fører til en ønsket ejendom, vi vil gerne være i stand til at lave et materiale med den ejendom. "