Время, необходимое для определения сложных квантовых фаз в материалах, сокращено с месяцев до минут благодаря новому инструменту на базе искусственного интеллекта. Такой технологический скачок может радикально ускорить исследования в области квантовых материалов, в частности низкоразмерных сверхпроводников. Результаты опубликованы в журнале Newton.
Работа выполнена теоретиками из Университета Эмори и экспериментаторами из Йельского университета. Старшими авторами стали Фан Лю и Яо Ван из кафедры химии Эмори, а также Ю Хэ из кафедры прикладной физики Йеля. Первая авторская позиция принадлежит аспиранту Сюй Чену (Эмори), к числу соавторов относятся Юаньцзе Сун (Клемсон), Евгений Хруска (Эмори), Вивек Диксит (Клемсон) и Цзинмин Ян (Йель).
Задача команды заключалась в автоматическом выявлении спектральных сигналов, свидетельствующих о фазовых переходах в квантовых материалах, где электроны находятся в состоянии сильной запутанности. Традиционные методы плохо работают из-за непредсказуемых флуктуаций, которые невозможно учесть в рамках классической физики. Для решения этой проблемы исследователи применили машинное обучение к данным высокопроизводительных симуляций, минимально дополнив их реальными экспериментальными результатами.
Авторы сравнивают разработку с обучением автопилота для вождения по новым городам: модели требуется универсальность и объяснимость. Их нейросетевой подход позволяет с одного спектрального снимка распознавать фазу материала, что существенно снижает зависимость от объёма экспериментальных данных и делает возможным масштабируемое исследование новых квантовых систем.
Квантовые материалы демонстрируют свойства, не укладывающиеся в рамки классической теории. Ключевая роль здесь у квантовой запутанности: электроны коллективно ведут себя подобно коту Шрёдингера — в состоянии, где результат определяется взаимодействием на расстоянии. Именно эти необычные корреляции приводят к появлению сверхпроводимости при относительно высоких температурах, как в случае купратов (медно-оксидных соединений).
Главная трудность заключается в моделировании и измерении фазовых переходов. Классический критерий — энергетический спектральный зазор — не работает для систем с сильными флуктуациями. Как подчёркивают исследователи, «фазовый переход определяется не столько зазором, сколько уровнем глобальной координации электронов», а температура начала сверхпроводимости зачастую ускользает от старых методов диагностики. Поиск новых подходов к идентификации переходов становится критическим для открытия инновационных материалов.
В 1911 году было открыто явление сверхпроводимости: ртуть полностью теряла электрическое сопротивление при охлаждении до 4 Кельвинов (-452°F). В 1957 году учёные объяснили механизм этого явления. В 1986 году были обнаружены купраты, сохраняющие сверхпроводимость до 130 Кельвинов (-211°F), что позволяет использовать дешёвый жидкий азот вместо дорогого жидкого гелия. Современная цель — достичь сверхпроводимости при комнатной температуре, что может перевернуть энергетическую отрасль и вычислительные технологии.
Машинное обучение обычно требует массивных размеченных наборов данных, но получение большого количества экспериментальных спектров затруднено. Исследователи преодолели это с помощью доменно-адаверсариальной нейронной сети (Domain-Adversarial Neural Network, DANN), методики, подобной технологиям распознавания изображений в автопилотах. Симулируя данные с признаками термодинамических фазовых переходов, они быстро генерировали тысячи обучающих изображений, что позволило системе обобщать информацию на реальные эксперименты. Эта архитектура делает решения ИИ прозрачными: ключевые признаки фазовых переходов отчётливо выделяются в данных.
Физики Йельского университета испытали модель на купратах. Нейросеть смогла различать сверхпроводящие и несверхпроводящие состояния с точностью около 98%. Новый подход оказался значительно более устойчивым и универсальным по сравнению с прежними методами, позволив выявлять фазовые переходы по спектральным особенностям внутри энергетического зазора и проводить анализ в высокопроизводительном режиме.
Преодоление ограничения экспериментальных данных открывает путь к ускоренному открытию новых квантовых материалов. В перспективе это даст толчок развитию энергоэффективной электроники и вычислительных систем нового поколения.
Изображение носит иллюстративный характер
Работа выполнена теоретиками из Университета Эмори и экспериментаторами из Йельского университета. Старшими авторами стали Фан Лю и Яо Ван из кафедры химии Эмори, а также Ю Хэ из кафедры прикладной физики Йеля. Первая авторская позиция принадлежит аспиранту Сюй Чену (Эмори), к числу соавторов относятся Юаньцзе Сун (Клемсон), Евгений Хруска (Эмори), Вивек Диксит (Клемсон) и Цзинмин Ян (Йель).
Задача команды заключалась в автоматическом выявлении спектральных сигналов, свидетельствующих о фазовых переходах в квантовых материалах, где электроны находятся в состоянии сильной запутанности. Традиционные методы плохо работают из-за непредсказуемых флуктуаций, которые невозможно учесть в рамках классической физики. Для решения этой проблемы исследователи применили машинное обучение к данным высокопроизводительных симуляций, минимально дополнив их реальными экспериментальными результатами.
Авторы сравнивают разработку с обучением автопилота для вождения по новым городам: модели требуется универсальность и объяснимость. Их нейросетевой подход позволяет с одного спектрального снимка распознавать фазу материала, что существенно снижает зависимость от объёма экспериментальных данных и делает возможным масштабируемое исследование новых квантовых систем.
Квантовые материалы демонстрируют свойства, не укладывающиеся в рамки классической теории. Ключевая роль здесь у квантовой запутанности: электроны коллективно ведут себя подобно коту Шрёдингера — в состоянии, где результат определяется взаимодействием на расстоянии. Именно эти необычные корреляции приводят к появлению сверхпроводимости при относительно высоких температурах, как в случае купратов (медно-оксидных соединений).
Главная трудность заключается в моделировании и измерении фазовых переходов. Классический критерий — энергетический спектральный зазор — не работает для систем с сильными флуктуациями. Как подчёркивают исследователи, «фазовый переход определяется не столько зазором, сколько уровнем глобальной координации электронов», а температура начала сверхпроводимости зачастую ускользает от старых методов диагностики. Поиск новых подходов к идентификации переходов становится критическим для открытия инновационных материалов.
В 1911 году было открыто явление сверхпроводимости: ртуть полностью теряла электрическое сопротивление при охлаждении до 4 Кельвинов (-452°F). В 1957 году учёные объяснили механизм этого явления. В 1986 году были обнаружены купраты, сохраняющие сверхпроводимость до 130 Кельвинов (-211°F), что позволяет использовать дешёвый жидкий азот вместо дорогого жидкого гелия. Современная цель — достичь сверхпроводимости при комнатной температуре, что может перевернуть энергетическую отрасль и вычислительные технологии.
Машинное обучение обычно требует массивных размеченных наборов данных, но получение большого количества экспериментальных спектров затруднено. Исследователи преодолели это с помощью доменно-адаверсариальной нейронной сети (Domain-Adversarial Neural Network, DANN), методики, подобной технологиям распознавания изображений в автопилотах. Симулируя данные с признаками термодинамических фазовых переходов, они быстро генерировали тысячи обучающих изображений, что позволило системе обобщать информацию на реальные эксперименты. Эта архитектура делает решения ИИ прозрачными: ключевые признаки фазовых переходов отчётливо выделяются в данных.
Физики Йельского университета испытали модель на купратах. Нейросеть смогла различать сверхпроводящие и несверхпроводящие состояния с точностью около 98%. Новый подход оказался значительно более устойчивым и универсальным по сравнению с прежними методами, позволив выявлять фазовые переходы по спектральным особенностям внутри энергетического зазора и проводить анализ в высокопроизводительном режиме.
Преодоление ограничения экспериментальных данных открывает путь к ускоренному открытию новых квантовых материалов. В перспективе это даст толчок развитию энергоэффективной электроники и вычислительных систем нового поколения.
