Forskere benytter AI for at sætte et nyt spin på neutronforsøg

Forskere søger at bruge kvantematerialer - dem, der har korreleret orden på subatomisk niveau - til elektroniske enheder, kvantecomputere, og superledere. Kvantematerialer skylder mange af deres egenskaber den fysik, der forekommer på de mindste skalaer, fysik, der er fuldstændig kvantemekanisk.

Nogle materialer, såsom komplekse magnetiske materialer, dele fællestræk med kvantematerialer, og forskere kan studere disse i et forsøg på bedre at forstå kvantematerialer og forstå deres evne til at eksistere i mange forskellige elektroniske konfigurationer. Forståelse af de interaktioner, der forekommer inden for både kvante- og komplekse magnetiske materialer, imidlertid, kræver strenge undersøgelsesmetoder.

En sådan metode er neutronspredning, hvor neutrale partikler kaldet neutroner spredes fra et materiale for at afdække dets mikroskopiske egenskaber fra de resulterende interaktioner. Imidlertid, rekonstruktion af et materiales struktur og egenskaber viser sig at være udfordrende, selv for erfarne eksperter.

For første gang, et team ved US Department of Energy's (DOE's) Oak Ridge National Laboratory (ORNL) bruger kunstig intelligens (AI) til at finde mønstre i neutronspredningsdata, der kan føre til en forståelse af fysikken inde i kvante- eller komplekse magnetiske materialer. Anført af Alan Tennant, Initiativ Lead for Quantum Materials hos ORNL, holdet uddannede for nylig et kunstigt neuralt netværk (ANN) til med succes at fortolke data fra et neutronspredningseksperiment udført ved ORNL's Spallation Neutron Source (SNS). Teamet uddannede netværket ved at fodre det med data fra neutronspredningsimuleringer udført på systemer på Oak Ridge Leadership Computing Facility (OLCF), herunder centerets nedlagte Cray XK7 Titan. En af sin tids mest kraftfulde maskiner, Titan fortsætter med at forsyne det videnskabelige samfund med nye opdagelser, selv efter pensionering sidste efterår.

"Før, når du ville lave et eksperiment, du var ikke helt sikker på, at du havde det rigtige resultat, "Sagde Tennant." Med dette neurale netværk, vi kan være sikre på svaret på grund af den omfattende uddannelse, som netværket skulle igennem. Af alle de mulige sager, den støder på, den kan finde den optimale løsning. "

Netværket kan afsløre nye oplysninger om nuværende neutronspredningsforsøg og endda give indsigt i, hvilke eksperimenter der ville være mest fordelagtige at køre i fremtiden.

Resultaterne af undersøgelsen blev for nylig offentliggjort i Naturkommunikation , og teamet fortsætter arbejdet med OLCF's 200-petaflop IBM AC922 Summit, verdens mest kraftfulde supercomputer.

Ud over mennesket

Når forskere udfører neutronspredningsforsøg på SNS, de skal redegøre for de mange mulige scenarier, der kunne have formet spredningsmønsteret. At dechiffrere de neutroner, der spreder materialet, bliver et puslespil, og mennesker, der har stor erfaring med neutronspredningsdata, har traditionelt været påberåbt for at danne mulige hypoteser om materialets struktur baseret på de spredningsmønstre, de ser.

Forskere, der udfører disse eksperimenter, kan typisk komme med mange forskellige scenarier for et materiales Hamiltonian, udtrykket af materialets energi, der fuldstændigt beskriver dets egenskaber. Men de kan umuligt tage højde for hver enkelt - især i materialer som spin -is. Spin is, magnetiske analoger af is, menes at have eksotiske magnetiske tilstande, hvor nord- og sydmagnetiske poler kan adskille og opføre sig uafhængigt, noget andre magneter ikke er i stand til at gøre. Bestemmelse af de underliggende interaktioner i disse materialer har vist sig at være meget udfordrende, imidlertid.

Uddannelse af et ANN, en type maskinlæring, der kan analysere mønstre i data og fungerer på en måde, der ligner de neurale netværk i en menneskelig hjerne, er en mulig løsning.

"Mennesker kan aldrig gennemgå alle scenarier, fordi der altid er nogen, du aldrig har tænkt på, "sagde Anjana Samarakoon, en postdoc forsker på ORNL, der arbejdede tæt sammen med Tennant om projektet. "Men en computer kan gå igennem hundredtusinder af scenarier og opsummere oplysningerne for dig. Og så bliver den lidt pålidelig - det løser et af dine store problemer."

Teamet uddannede en autoencoder - en type ANN, der ofte bruges til at komprimere og genskabe billeder - ved hjælp af titusinder af simuleringer (mere end 50 milliarder beregninger) på supercomputereessourcer på OLCF, en DOE Office of Science User Facility på ORNL. Teamet var i stand til at simulere mange flere scenarier, end et menneske er i stand til at undersøge. Teamet fandt også ud af, at ANN filtrerer eksperimentel støj ud for kun at trække de vigtigste oplysninger ud af de rå spredningsdata for at genskabe et materiales struktur.

"Det gør, hvad en ekspert gør, men det gør noget langt ud over, "Samarakoon sagde." Dette kan gøre ti tusinde modeller i stedet for de simple 100 eller deromkring, som et menneske kan. "

Glas mysterier

Efter at forskerne uddannede det, ANN kunne sammenligne de simulerede data med eksperimentelle spredningsdata registreret fra CORELLI -instrumentet ved SNS, som er designet til at undersøge lidelsen i materialer som glas. ANN registrerede nøjagtigt data for 1, 024 steder i materialet Dy ₂ Ti ₂ O ₇ , en spindeis, der har glaslignende egenskaber ved lave temperaturer.

"Vi kender ikke fysikken bag, hvorfor briller fungerer, "Tennant sagde." Men dette materiale egner sig til at studere på grund af den fantastiske matematik, vi kan bruge til at forstå det. Oak Ridge er et sted, hvor vi virkelig kan undersøge den slags komplekse materialer. "

Teamet brugte Compute and Data Environment for Science (CADES) på ORNL i kombination med systemerne på OLCF til yderligere analyse af simuleringerne. Efter at have trænet netværket med simuleringerne, det bestemte i sidste ende en model Hamiltonian for at beskrive materialets magnetiske egenskaber, herunder det punkt, hvor det bliver til noget, der ligner glas.

Nu, holdet træner dybere neurale netværk på Summit for yderligere at forstå glaslignende kvantematerialer.

"Vi var i stand til at lave alle de simuleringer, vi havde brug for til træningseksemplerne på OLCF, "Samarakoon sagde." Med Summit, vi kan køre endnu dybere net på en mere interaktiv måde og udforske endnu flere ubekendte. "