Maskinindlæring belyser materialets skjulte orden

Ekstrem temperatur kan gøre mærkelige ting ved metaller. I hård varme, jern holder op med at være magnetisk. I ødelæggende kulde, bly bliver en superleder.

I de sidste 30 år har fysikere er blevet stumpede af, hvad der præcist sker med uranrutheniumsilicid (URu ₂ Si ₂ ) ved 17,5 kelvin (minus 256 grader Celsius). Ved at måle varmekapacitet og andre egenskaber, de kan fortælle, at den gennemgår en eller anden form for faseovergang, men det er så meget som alle kan sige med sikkerhed. Der er masser af teorier.

Et Cornell -samarbejde ledet af fysikeren Brad Ramshaw, Dick &Dale Reis Johnson adjunkt ved College of Arts and Sciences, brugte en kombination af ultralyd og maskinlæring til at indsnævre de mulige forklaringer på, hvad der sker med dette kvantemateriale, når det går ind i denne såkaldte "skjulte orden."

Deres papir, "En-komponents ordreparameter i URu ₂ Si ₂ Afdækket af Resonant Ultrasound Spectroscopy and Machine Learning "udgivet 6. marts i Videnskab fremskridt .

"I uranrutheniumsilicid, vi aner ikke, hvad elektronerne laver i den skjulte ordenstilstand, "sagde Ramshaw, papirets seniorforfatter. "Vi ved, at de ikke bliver magnetiske, vi ved, at de ikke bliver superledende, men hvad laver de? Der er mange muligheder - orbital orden, ladningstæthed bølger, valenceovergange - men det er svært at skelne mellem disse forskellige materielle tilstande. Så elektronerne gemmer sig, 'i den forstand.'

Ramshaw og hans ph.d.-studerende Sayak Ghosh brugte ultralydsspektroskopi i høj opløsning til at undersøge symmetriegenskaberne ved en enkelt krystal af URu2Si2, og hvordan disse egenskaber ændres under faseovergangen i den skjulte orden. De fleste faseovergange ledsages af en ændring i symmetriegenskaber. For eksempel, faste stoffer har alle deres atomer opstillet på en organiseret måde, mens væsker ikke gør det. Disse ændringer i symmetri er ikke altid indlysende, og kan være svært at opdage eksperimentelt.

"Ved at se på symmetri, vi behøver ikke at kende alle detaljerne om, hvad uran gør, eller hvad ruthenium laver. Vi kan bare analysere, hvordan symmetrien i systemet ser ud før faseovergangen, og hvordan det ser ud efter, "Sagde Ramshaw." Og det lader os tage den tabel med muligheder, som teoretikere er kommet med og sige:'Godt, disse er ikke i overensstemmelse med symmetrien før og efter faseovergangen, men disse er. ' Det er godt, fordi det er sjældent, at du kan komme med sådanne endelige ja og nej udsagn. "

Imidlertid, forskerne stødte på et problem. For at analysere ultralydsdata, de ville normalt modellere det med bølgemekanik. Men for at studere den reneste form for URu2Si2, de skulle bruge en mindre, renere prøve. Denne "mærkeligt formede lille sekskantchip, "Sagde Ramshaw, var for lille og havde for meget usikkerhed til en ligetil bølgemekanisk løsning.

Så Ramshaw og Ghosh vendte sig til Eun-Ah Kim, professor i fysik og medforfatter af papiret, og hendes doktorand Michael Matty, at producere en maskinlæringsalgoritme, der kunne analysere dataene og afdække underliggende mønstre.

"Maskinlæring er ikke kun for billedlignende data eller big data, "Sagde Kim." Det kan dramatisk ændre analysen af ​​alle data med kompleksitet, der undgår manuel modellering. "

"Det er svært, fordi dataene bare er en liste med tal. Uden nogen form for metode, den har ingen struktur, og det er umuligt at lære noget af det, "sagde Matty, papirets co-hovedforfatter med Ghosh. "Maskinlæring er virkelig god til at lære funktioner. Men du skal lave træningen korrekt. Ideen var, der er en eller anden funktion, der kortlægger denne liste med tal til en klasse af teorier. I betragtning af et sæt numerisk tilnærmede data, vi kunne gøre, hvad der effektivt er regression for at lære en funktion, der fortolker dataene for os. "

Resultaterne fra maskinlæringsalgoritmen eliminerede omtrent halvdelen af ​​de mere end 20 sandsynlige forklaringer på den skjulte rækkefølge. Det løser muligvis endnu ikke URu2Si2 -gåden, men det har skabt en ny tilgang til at tackle dataanalyseproblemer i eksperimentel fysik.

Teamets algoritme kan anvendes på andre kvantematerialer og teknikker, især nuklear magnetisk resonans (NMR) spektroskopi, den grundlæggende proces bag magnetisk resonansbilleddannelse (MRI). Ramshaw planlægger også at bruge den nye teknik til at tackle de uregerlige geometrier af uran tellurid, en potentiel topologisk superleder, der kunne være en platform for kvanteberegning.