Connect with us

Hi, what are you looking for?

Наука и технологии

Машинное обучение используют для анализа квантового материала

Электроны и их поведение ставят перед квантовыми физиками интересные вопросы, а недавние инновации в источниках, инструментах и ​​средствах позволяют исследователям потенциально получить доступ к еще большему объему информации, закодированной в квантовых материалах.

Однако эти исследовательские инновации производят беспрецедентные — и до сих пор не поддающиеся расшифровке — объемы данных.

«Информационное содержание фрагмента материала может быстро превысить общее информационное содержание Библиотеки Конгресса, которое составляет около 20 терабайт», — сказал Ын-А Ким, профессор физики в Колледже искусств и наук, который находится в в авангарде как исследований квантовых материалов, так и использования возможностей машинного обучения для анализа данных экспериментов с квантовыми материалами.

«Ограниченные возможности традиционного режима анализа — в основном ручного — быстро становятся критическим узким местом, — сказал Ким.

Группа под руководством Кима успешно использовала технику машинного обучения, разработанную совместно с учеными-компьютерщиками из Корнелла, для анализа огромных объемов данных о квантовом металле Cd 2 Re 2 O 7 , разрешив споры об этом конкретном материале и заложив основу для будущего машинного обучения. проникновение в новые фазы материи.

Статья «Использование интерпретируемого и неконтролируемого машинного обучения для работы с большими данными из современной рентгеновской дифракции» была опубликована 9 июня в Proceedings of the National Academy of Sciences .

Физики Корнелльского университета и ученые-компьютерщики объединились для создания неконтролируемого и интерпретируемого алгоритма машинного обучения XRD Temperature Clustering (X-TEC). Затем исследователи применили X-TEC для исследования ключевых элементов металлического оксида пирохлора, Cd 2 Re 2 O 7 .

X-TEC за считанные минуты проанализировала восемь терабайт рентгеновских данных, охватывающих 15 000 зон Бриллюэна (уникально определенных ячеек).

«Мы использовали неконтролируемые алгоритмы машинного обучения, которые идеально подходят для преобразования многомерных данных в кластеры, понятные людям», — сказал Килиан Вайнбергер, профессор компьютерных наук в Корнеллском университете Анны. Колледж вычислительной техники и информатики S Bowers.

Благодаря этому анализу исследователи обнаружили важную информацию о поведении электронов в материале, обнаружив так называемую псевдоголдстоуновскую моду. Они пытались понять, как атомы и электроны располагаются упорядоченно, чтобы оптимизировать взаимодействие внутри астрономически большого «сообщества» электронов и атомов.

«В сложных кристаллических материалах определенная структура множества атомов, элементарная ячейка, повторяется в регулярном порядке, как в высотном жилом комплексе», — сказал Ким. «Репозиционирование, которое мы обнаружили, происходит в масштабе каждой квартиры во всем комплексе».

По ее словам, поскольку расположение блоков остается прежним, трудно обнаружить это изменение, наблюдая снаружи. Однако изменение положения почти спонтанно нарушает непрерывную симметрию, что приводит к псевдоголдстоуновской моде.

«Существование псевдо-голдстоуновского режима может выявить секретные симметрии в системе, которые трудно увидеть в противном случае», — сказал Ким. «Наше открытие стало возможным благодаря X-TEC».

По словам Ким, это открытие важно по трем причинам. Во-первых, он показывает, что машинное обучение можно использовать для анализа объемных данных порошковой рентгеновской дифракции (XRD), что служит прототипом для приложений X-TEC по мере его масштабирования. X-TEC, доступный исследователям в виде программного пакета , будет интегрирован в синхротрон в качестве инструмента анализа в Advanced Photon Source и Cornell High Energy Synchrotron Source.

Во-вторых, открытие разрешает споры о физике Cd 2 Re 2 O 7 .

«Насколько нам известно, это первый случай обнаружения режима Голдстоуна с помощью XRD», — сказал Ким. «Это понимание флуктуаций в сложном квантовом материале на атомном уровне будет лишь первым примером ответа на ключевые научные вопросы, сопровождающие любое открытие новых фаз материи… с использованием объемных данных дифракции, богатых информацией».

В-третьих, открытие демонстрирует, чего может достичь сотрудничество между физиками и учеными-компьютерщиками.

«Математическая внутренняя работа алгоритмов машинного обучения часто мало чем отличается от моделей в физике, но применима к многомерным данным», — сказал Вайнбергер. «Работать с физиками очень весело, потому что они так хорошо моделируют мир природы. Когда дело доходит до моделирования данных, они действительно берутся за дело».

Машинное обучение используют для анализа квантового материала

Теги: ИИ, квант

В тренде