Model nadprzewodnictwa ze 100 000 równań zawiera teraz tylko 4 dzięki AI: ScienceAlert

Elektrony podróżujące przez siatkową siatkę nie zachowują się jak ładne srebrne kulki we flipperach. Rozmywają się i uginają w grupowych tańcach, podążając za kaprysami rzeczywistości przypominającej falę, którą trudno sobie wyobrazić, nie mówiąc już o obliczeniach.

Jednak naukowcom udało się to zrobić, rejestrując ruch elektronów poruszających się po kwadratowej sieci w symulacjach, które – do tej pory – wymagały setek tysięcy pojedynczych równań.

Posługiwać się Sztuczna inteligencja (AI) Aby zredukować to zadanie do zaledwie czterech równań, fizycy znacznie ułatwili badanie nowych właściwości złożonych materiałów kwantowych.

W ten sposób ta praca obliczeniowa może pomóc w rozwiązaniu jednego z najtrudniejszych problemów fizyki kwantowej, problemu „wielu elektronów”, który próbuje opisać układy z dużą liczbą oddziałujących elektronów.

Może również dostarczyć plik Naprawdę legendarne narzędzie Aby przewidzieć zachowanie elektronów w ciałach stałych, model Hubbarda – wszystko to przy jednoczesnym lepszym zrozumieniu, jak łatwe są fazy materii, takie jak nadprzewodnictwomówić.

Nadprzewodnictwo to dziwne zjawisko, które powstaje, gdy strumień elektronów przepływa bez przeszkód przez materiał, tracąc energię podczas przesuwania się z jednego punktu do drugiego. Niestety najbardziej praktyczny sposób na stworzenie takiego stanu polega na szalenie niskich temperaturach, jeśli nie Śmiesznie wysokie ciśnienie. Wykorzystanie nadprzewodnictwa zbliżonego do temperatury pokojowej może doprowadzić do bardziej wydajnych sieci i urządzeń elektrycznych.

Ponieważ osiągnięcie nadprzewodnictwa w bardziej rozsądnych warunkach pozostaje wzniosłym celem, fizycy uciekli się do wykorzystania modeli do przewidywania, jak elektrony będą się zachowywać w różnych warunkach, a tym samym z jakich materiałów są odpowiednie przewodniki lub izolatory.

Te modele mają dla siebie wykrojoną pracę. W końcu elektrony nie przetaczają się przez sieć atomów jak małe kulki o jasno określonych pozycjach i ścieżkach. Ich aktywność to potencjalny chaos, na który wpływa nie tylko otoczenie, ale także historia ich interakcji z innymi elektronami, na które natrafili po drodze.

Kiedy elektrony wchodzą w interakcję, ich losy mogą być ściśle splątane lubuwikłanySymulowanie zachowania pojedynczego elektronu oznacza jednoczesne śledzenie zakresu możliwości dla wszystkich elektronów w systemie modelowym, co czyni wyzwanie obliczeniowe jeszcze większym wyzwaniem.

Model Hubbarda to dziesięcioletni model matematyczny, który dość dokładnie opisuje mylący ruch elektronów w sieci atomów. Z biegiem lat i ku uciesze fizyków, zwodniczo proste Model został eksperymentalnie zrealizowany w zachowaniu A Szeroka gama złożonych materiałów.

Wraz ze stale rosnącą mocą komputerów naukowcy opracowali symulacje numeryczne oparte na fizyce modelu Hubbarda, które pozwalają im poznać rolę podstawowej topologii sieci.

Na przykład w 2019 roku naukowcy wykazali, że model Hubble’a jest w stanie reprezentować nadprzewodnictwo Temperatury powyżej ekstremalnego zimnadając naukowcom zielone światło do wykorzystania modelu w celu uzyskania głębszego wglądu w tę dziedzinę.

To nowe badanie może być kolejnym dużym krokiem naprzód, drastycznie upraszczając liczbę wymaganych równań. Naukowcy opracowali algorytm uczenia maszynowego, aby ulepszyć urządzenie matematyczne zwane tablicą renormalizacji, które fizycy wykorzystują do badania zmian w systemie materiałowym, gdy zmieniają się właściwości, takie jak temperatura.

„To w zasadzie maszyna, która ma zdolność wykrywania subtelnych wzorców” – powiedział fizyk i główny autor, Domenico de Santi z Uniwersytetu Bolońskiego we Włoszech. Mówi Z oprogramowania opracowanego przez zespół.

„Zaczynamy od tego masywnego obiektu wszystkich tych sparowanych równań różniczkowych razem” – każde reprezentuje pary splątanych elektronów – „a następnie używamy nauczanie maszynowe Aby zmienić go w coś tak małego, że można policzyć na palcach, „De Sante Mówi ich podejścia.

Naukowcy pokazują, że algorytm oparty na danych może skutecznie uczyć się i rekapitulować dynamikę modelu Hubbarda, używając jak najmniejszej liczby równań — dokładnie czterech — i bez poświęcania dokładności.

„Kiedy zobaczyliśmy wynik, powiedzieliśmy: „Wow, to więcej niż się spodziewaliśmy”. Naprawdę byliśmy w stanie uchwycić odpowiednią fizykę”. Mówi De Santi.

Szkolenie programu uczenia maszynowego z danymi zajęło kilka tygodni, ale de Santi i współpracownicy twierdzą, że można go teraz dostosować do pracy nad innymi zagadkowymi problemami z materią skondensowaną.

Dotychczasowe symulacje wychwytują jedynie stosunkowo niewielką liczbę zmiennych w sieci mesh, ale naukowcy spodziewają się, że ich metoda będzie w pewnym stopniu skalowalna dla innych systemów.

Jeśli tak, może zostać wykorzystany w przyszłości do weryfikacji przydatności materiałów przewodzących do zastosowań obejmujących wytwarzanie czystej energii lub do pomocy w projektowaniu materiałów, które pewnego dnia mogą zapewnić nieuchwytne nadprzewodnictwo w temperaturze pokojowej.

Naukowcy zauważają, że prawdziwym testem będzie skuteczność tego podejścia w bardziej złożonych układach kwantowych, takich jak materiały, w których elektrony oddziałują na duże odległości.

Obecnie prace pokazują potencjał wykorzystania sztucznej inteligencji do wyodrębniania skompresowanych reprezentacji dynamicznych elektronów, co według naukowców jest „celem o pierwszorzędnym znaczeniu dla sukcesu wyrafinowanych teoretycznych podejść kwantowych do rozwiązania problemu wieloelektronowego”. wywieść w skrócie.

Wyszukiwanie zostało opublikowane w fizyczne wiadomości przeglądowe.