Udnyttelse af maskinlæring til at analysere kvantemateriale

Elektroner og deres adfærd stiller fascinerende spørgsmål for kvantefysikere, og nyere innovationer inden for kilder, instrumenter og faciliteter giver forskere mulighed for potentielt at få adgang til endnu mere af den information, der er kodet i kvantematerialer.

Disse forskningsinnovationer producerer imidlertid hidtil usete – og indtil nu uafkodelige – mængder af data.

"Informationsindholdet i et stykke materiale kan hurtigt overstige det samlede informationsindhold i Library of Congress, som er omkring 20 terabyte," sagde Eun-Ah Kim, professor i fysik ved College of Arts and Sciences, som er på forkant med både forskning i kvantematerialer og udnyttelse af kraften i maskinlæring til at analysere data fra kvantematerialeeksperimenter.

"Den begrænsede kapacitet i den traditionelle analysemetode - stort set manuel - er hurtigt ved at blive den kritiske flaskehals," sagde Kim.

En gruppe ledet af Kim har med succes brugt en maskinlæringsteknik udviklet sammen med Cornell-dataloger til at analysere enorme mængder data fra kvantemetallet Cd₂ Ad₂ O₇ , afgøre en debat om dette særlige materiale og sætte scenen for fremtidig maskinlæringsstøttet indsigt i nye faser af mater.

Artiklen, "Harnessing Interpretable and Unsupervised Machine Learning to Address Big Data from Modern X-ray Diffraction," udgivet 9. juni i Proceedings of the National Academy of Sciences .

Cornell-fysikere og dataloger samarbejdede om at bygge en uovervåget og fortolkelig maskinlæringsalgoritme, XRD Temperature Clustering (X-TEC). Forskerne anvendte derefter X-TEC til at undersøge nøgleelementer i pyrochloroxidmetallet, Cd₂ Ad₂ O₇ .

X-TEC analyserede otte terabyte røntgendata, der spænder over 15.000 Brillouin-zoner (entydigt definerede celler), på få minutter.

"Vi brugte uovervågede maskinlæringsalgoritmer, som passer perfekt til at oversætte højdimensionelle data til klynger, der giver mening for mennesker," sagde Kilian Weinberger, professor i datalogi i Cornell Ann. S Bowers College of Computing and Information Science.

Takket være denne analyse opdagede forskerne vigtig indsigt i elektronadfærd i materialet og detekterede, hvad der er kendt som pseudo-Goldstone-tilstanden. De forsøgte at forstå, hvordan atomer og elektroner placerer sig på en ordnet måde for at optimere interaktionen inden for det astronomisk store "fællesskab" af elektroner og atomer.

"I komplekse krystallinske materialer gentager en specifik struktur af flere atomer, enhedscellen, sig selv i et regulært arrangement som i et højhuslejlighedskompleks," sagde Kim. "Den repositionering, vi opdagede, sker i en skala af hver lejlighedsenhed på tværs af hele komplekset."

Fordi arrangementet af enhederne forbliver det samme, sagde hun, er det svært at opdage denne omplacering ved at se udefra. Repositioneringen bryder dog næsten spontant en kontinuerlig symmetri, hvilket resulterer i en pseudo-Goldstone-tilstand.

"Eksistensen af ​​pseudo-Goldstone-tilstand kan afsløre de hemmelige symmetrier i systemet, som ellers kan være svære at se," sagde Kim. "Vores opdagelse blev aktiveret af X-TEC."

Denne opdagelse er vigtig af tre grunde, sagde Kim. For det første viser det, at maskinlæring kan bruges til at analysere voluminøse røntgenpulverdiffraktionsdata (XRD), der fungerer som en prototype til anvendelser af X-TEC, når de skaleres op. X-TEC, tilgængelig for forskere som en softwarepakke, vil blive integreret i synkrotronen som et analyseværktøj ved Advanced Photon Source og Cornell High Energy Synchrotron Source.

For det andet afgør opdagelsen en debat om fysikken i Cd₂ Ad₂ O₇ .

"Så vidt vi ved, er dette det første tilfælde af detektering af en Goldstone-tilstand ved hjælp af XRD," sagde Kim. "Denne atomare indsigt i fluktuationer i et komplekst kvantemateriale vil kun være det første eksempel på besvarelse af centrale videnskabelige spørgsmål, der ledsager enhver opdagelse af nye faser af stof … ved hjælp af informationsrige omfangsrige diffraktionsdata."

For det tredje viser opdagelsen, hvad samarbejde mellem fysikere og dataloger kan udrette.

"Den matematiske indre funktion af maskinlæringsalgoritmer er ofte ikke ulig modeller i fysik, men anvendes på højdimensionelle data," sagde Weinberger. "At arbejde med fysikere er meget sjovt, fordi de er så gode til at modellere den naturlige verden. Når det kommer til datamodellering, rammer de virkelig jorden." + Udforsk yderligere

Teorien antyder, at kvantecomputere burde være eksponentielt hurtigere til nogle læringsopgaver end klassiske maskiner