¿Cómo desbloquea el aprendizaje automático los misterios de la física cuántica?

Vota este post

Comprender el complejo comportamiento de los electrones ha llevado a descubrimientos que transformaron la sociedad, como el transistor. Hoy, con los avances tecnológicos, el comportamiento de los electrones se puede estudiar mucho más de cerca que antes, lo que posiblemente haga que los avances científicos cambien tanto como la computadora del mundo. Sin embargo, los datos generados por estas herramientas son demasiado complejos para interpretarlos.

Un equipo dirigido por Cornell ha desarrollado una forma de analizar datos de microscopía de túnel de barrido (STM) utilizando una técnica de aprendizaje automático que produce imágenes subatómicas de movimientos electrónicos en superficies materiales con energías variables, lo que hace que los datos no estén disponibles utilizando otros métodos.

Algunas de esas fotografías tomaron dos décadas de materiales esenciales y misteriosos. Te estarás preguntando qué secretos contienen estas imágenes. Queremos descubrir esos secretos, dijo Eun-Ah Kim, profesora de física y autora principal de Nature el 19 de junio «Aprendizaje automático en experimentos electrónicos de imágenes de materia cuántica». descubrir más en la física cuántica experimental.

A nivel subatómico, estará presente una muestra de miles de millones de electrones que interactúan entre sí y con la infraestructura circundante. La conducta de los electrones está determinada en parte por la tensión entre sus dos tendencias competitivas de moverse y permanecer lejos, combinada con la interacción de energía repulsiva.

En este estudio, Kim y sus colaboradores identificaron qué tendencias en un material superconductor de alta temperatura son más importantes.

Usando STM, los electrodos se ajustan al vacío entre la punta principal del microscopio y la superficie de la muestra y brindan información detallada sobre el comportamiento de los electrones.

El problema es que si toma y registra tales datos, obtiene datos similares a imágenes, pero no es una imagen precisa, como una manzana o una pera. Los datos generados por el instrumento se parecen más a un patrón que a una curva de medición tradicional y son 10 000 veces más complicados. Kim dijo que no tenemos una herramienta excelente para estudiar tales conjuntos de datos.

Los investigadores simularon un entorno ideal y factores adicionales que conducirían a cambios en el comportamiento de los electrones. Luego entrenó una red neuronal artificial, un tipo de inteligencia artificial que puede aprender las condiciones asociadas con varias teorías utilizando métodos inspirados en el cerebro. Al ingresar datos experimentales en la red neuronal, los investigadores determinaron qué enfoques eran más similares a los datos reales.

Este método confirmó la hipótesis de que la energía de interacción repulsiva es más efectiva en el comportamiento de los electrones.

Agregó que una mejor comprensión de cuántos electrones interactúan en diferentes materiales y condiciones probablemente conduciría a más descubrimientos, incluido el desarrollo de nuevos materiales.

De hecho, los materiales que condujeron a la revolución inicial de los transistores eran materiales simples. Ahora podemos diseñar elementos mucho más complejos. Si estas poderosas herramientas pueden revelar aspectos importantes que conducen a la propiedad deseada, nos gustaría poder hacer un material con esta propiedad.

Deja un comentario