機器學習揭開了量子物理學的神秘面紗

了解電子錯綜復雜的行為已經導致了改變社會的發(fā)現(xiàn)，例如通過晶體管的發(fā)明使計算革命成為可能。

今天，通過技術的進步，電子行為可以比過去更深入地研究，有可能使科學突破像個人計算機一樣改變世界。但是，這些工具生成的數(shù)據(jù)太復雜，人類無法解釋。

康奈爾大學領導的團隊開發(fā)了一種利用機器學習分析掃描隧道顯微鏡(STM)產生的數(shù)據(jù)的方法 - 這種技術可以在不同能量的材料表面產生電子運動的亞原子尺度圖像，提供任何其他方法無法獲得的信息。 。

物理學教授Eun-Ah Kim說：“其中一些圖像是在二十年來被認為重要和神秘的材料上拍攝的。” “你想知道這些圖像中隱藏著什么樣的秘密。我們想解開這些秘密。”

Kim是“電子量子物質成像實驗中的機器學習”的高級作者，于6月19日在Nature上發(fā)表。第一作者是張毅，曾任金氏實驗室博士后研究員，現(xiàn)在中國北京大學，前任Andrej Mesaros現(xiàn)在位于法國巴黎南部大學的Kim實驗室的博士后研究員。

共同作者包括JCSéamusDavis，康奈爾大學的James Gilbert White物理科學杰出教授，STM驅動研究的創(chuàng)新者。

這項研究對電子如何相互作用產生了新的見解，并展示了機器學習如何用于推動實驗量子物理學的進一步發(fā)現(xiàn)。

在亞原子尺度上，給定的樣本將包括相互交互的萬億億億個電子和周圍的基礎設施。電子的行為部分取決于它們兩種競爭傾向之間的緊張關系：與動能相關的四處移動; 并且與相互之間保持相距甚遠，與排斥的相互作用能量相關聯(lián)。

在這項研究中，Kim和合作者著手發(fā)現(xiàn)哪種趨勢在高溫超導材料中更為重要。

使用STM，電子穿過顯微鏡導電尖端和被檢樣品表面之間的真空，提供有關電子行為的詳細信息。

“問題是，當你拿這樣的數(shù)據(jù)并記錄它時，你會得到類似圖像的數(shù)據(jù)，但它不是一個自然形象，如蘋果或梨，”金說。她說，儀器生成的數(shù)據(jù)更像是一種模式，比傳統(tǒng)的測量曲線復雜約10,000倍。“我們沒有一個很好的工具來研究那些類型的數(shù)據(jù)集。”

為了解釋這些數(shù)據(jù)，研究人員模擬了一個理想的環(huán)境，并增加了可能導致電子行為變化的因素。然后，他們訓練了一種人工神經網絡 - 一種人工智能，可以使用受大腦工作方式啟發(fā)的方法來學習特定任務 - 識別與不同理論相關的環(huán)境。當研究人員將實驗數(shù)據(jù)輸入神經網絡時，它確定了實際數(shù)據(jù)最相似的理論。

Kim說，這種方法證實了這種假設，即排斥相互作用能量對電子行為的影響更大。

她說，更好地了解不同材料和不同條件下有多少電子相互作用可能會帶來更多發(fā)現(xiàn)，包括開發(fā)新材料。

“導致晶體管初始革命的材料實際上是非常簡單的材料。現(xiàn)在我們有能力設計更復雜的材料，”Kim說。“如果這些強大的工具可以揭示導致所需屬性的重要方面，我們希望能夠制作具有該屬性的材料。”