使用人工智能缩短了识别材料中复杂量子相的时间，从几个月缩短到几分钟，研究发现。这项突破可能显著加速对量子材料的研究，特别是低维超导体。
使用人工智能缩短了识别材料中复杂量子相的时间，从几个月缩短到几分钟，新研究在Newton中发布。这项突破可能显著加速对量子材料的研究，特别是低维超导体。
这项研究由埃默里大学的理论学者和耶鲁大学的实验学者共同领导。主要作者包括埃默里化学系的助理教授刘方和王耀，以及耶鲁应用物理系的助理教授何宇。
研究团队应用机器学习技术来检测表明量子材料中相变的明确光谱信号——在这些系统中，电子高度纠缠。这些材料因其不可预测的波动而被认为是极为复杂的，传统物理学难以对其建模。
“我们的方法几乎没有成本，提供了非常复杂的相变的快速和准确的快照，”作为第一作者的埃默里化学博士生陈旭说。“我们希望这能够显著加速超导领域的发现。”
将机器学习应用于量子材料的挑战之一是缺乏足够的高质量实验数据来训练模型。为了解决这个问题，研究人员使用高通量模拟生成大量数据。然后，他们将这些模拟结果与少量实验数据相结合，创建了一个强大而高效的机器学习框架。
刘方解释说：“这就像训练自动驾驶汽车。你可能在亚特兰大进行了大量的测试，但你希望它在纽黑文，或者说任何地方都能可靠地运行。那么问题是：我们如何使学习既可转移又易于理解？”
他们的框架允许机器学习模型通过应用从模拟中获得的洞察力来识别实验数据中的相位——即使只来自单个光谱快照。这种方法解决了科学机器学习中实验数据有限的持续挑战，并为量子材料和分子系统的更快、更大规模的探索打开了大门。
其他参与这项研究的研究人员包括克莱姆森大学的前本科生孙元杰；埃默里的前博士后研究员尤根·赫鲁斯卡；克莱姆森的前博士后研究员维韦克·迪克希特；以及耶鲁的博士生杨锦明。
量子波动：天使与恶魔
量子材料是一种特殊的材料类别，其中像电子和原子等粒子以违背经典物理的方式行为。它们最令人着迷的特征之一是量子现象称为纠缠，在这种现象中，粒子在远距离相互影响。一个流行的类比是薛定谔的猫——一个思想实验，其中一只猫可以同时处于活着和死去的状态。在量子材料中，电子可以类似地表现，共同行为而不是单独行为。
这些不寻常的关联，或者更准确地说波动，赋予了量子材料其卓越的性质。高温超导体是最著名的例子之一，它存在于铜氧化物化合物中，或称为铜酸盐，在某些条件下电流可以无阻碍地流动。
但是，虽然波动常常伴随这些强大的属性，但它们也使许多物理属性变得极其难以理解、测量和设计。用于识别材料中相变的传统方法依赖于一种称为光谱间隙的东西——破坏超导电子配对所需的能量。然而，在具有强波动的系统中，这种方法失效。
何宇表示：“相反，控制数以亿计的超导电子之间的全球协调程度，或所谓的量子‘相’才是决定转变的关键。”他最近发表的一项单独研究揭示了这一效应的广泛性。
王耀补充道：“这就像移居到一个所有人都说不同语言的国家——你不能只依赖以前有效的方法。”
这意味着科学家们不能仅通过查看光谱间隙来轻易确定转变温度——超导性开始出现的点。找到更好的方法来表征这些转变对于高效发现新量子材料并使其用于实际应用至关重要。
高温超导性
超导性——某些材料能够以零能量损失导电的能力——是量子物理中最令人着迷的现象之一。它在1911年被发现，当时科学家们发现汞在4开尔文（-452°F）的温度下完全失去了电阻，这是我们太阳系中任何自然地方都无法达到的温度。
直到1957年，科学家们才能够全面解释超导性是如何工作的。在日常温度下，材料中的电子独立移动，并且经常与原子碰撞，在此过程中损失 энергия。但是在非常低的温度下，电子可以合作形成一种新的物态。在这种配对状态中，它们完美同步移动，就像经过良好编排的舞蹈一样，使得电流能无阻碍流动。
1986年的一次重大突破是铜酸盐超导体的发现。这些材料可以在高达130开尔文（-211°F）的温度下超导，尽管仍然寒冷，但足够高以使用廉价的液氮达到。这使得超导性的实际应用变得更加现实。
然而，铜酸盐属于量子材料类别，在这些材料中，电子的行为受纠缠和强量子波动的支配。这些材料相位复杂且难以预测，使用传统理论使它们既令人兴奋又具有挑战性。
如今，全球科学家正在竞相释放超导体的全部潜力。最终目标是创造能够在室温下超导的材料。如果成功，这可能会彻底改变从电网到计算的一切——使电能以完美效率流动，没有热量或浪费。
一种新方法
研究人员希望使用机器学习模型来克服这一障碍。
然而，机器学习模型需要大量标记数据进行训练，以学习如何有效区分特定特征与周围噪音之间的差异。问题是，实验数据在相变中的数量极少。
研究人员采用了一种领域对抗神经网络（DANN）的方法，这是一种图像识别训练方法，类似于用于自动驾驶汽车背后的技术。与其向机器学习模型输入数百万张猫的图像，不如识别并提取猫的关键特征。例如，简单的、模拟的三维图像显示猫的基本特征可以从多个不同角度拍摄，以捕捉训练模型识别真实猫所需的合成数据。
“以同样的方式，通过模拟热力学相变的基本特征的数据，我们可以训练一个机器学习模型来识别它，”陈说。“这为我们打开了许多新领域，使我们能够比通过现实生活实验更快地探索。只要我们了解系统中的关键特征，我们就可以快速生成数千幅图像来训练机器学习模型以识别这种模式。”
他补充说，这些模式可以直接用于探测真实实验光谱的超导相。
他们的新颖数据驱动方法通过将有限的实验光谱数据与大量模拟数据相结合，充分利用了在相关材料上有限的实验数据。模型中使用的相变关键特征使其基础的人工智能决策过程透明且可解释。
验证模型
耶鲁大学的物理学家团队通过与铜酸盐的实验测试了机器学习模型。结果显示，该方法可以以近98%的准确率区分超导和非超导相。
与传统的机器学习、助理特征提取的光谱技术不同，新的方法基于能量间隙内的特征光谱特征明确定位相变，使其在一系列材料中更具鲁棒性和可推广性。这增强了模型进行高通量分析的潜力。
通过展示机器学习的力量来克服实验数据的局限性，这项工作克服了量子材料研究中的一个长期挑战，为更加迅速的发现铺平了道路，这可能影响从节能电子产品到下一代计算的一切。
该项工作得到了空军科学研究办公室、美国能源部和国家科学基金会的资助，以及耶鲁大学教务长办公室的种子基金。
