共计 1437 个字符，预计需要花费 4 分钟才能阅读完成。
一项发表在《Newton》期刊上的最新研究显示，人工智能技术正在彻底改变量子材料的研究方式。这项研究证实，AI 可以将识别材料中复杂量子相的时间从几个月缩短到几分钟，为超导体研究带来了革命性的突破。
该研究由埃默里大学的理论家和耶鲁大学的实验物理学家共同主导。研究团队运用机器学习技术来检测量子材料中的相变信号，这些系统中的电子表现出强烈的纠缠特性。由于这些材料的不可预测波动，传统物理方法难以对其进行有效建模。
“ 我们的方法能够快速而准确地捕捉非常复杂的相变，几乎没有任何成本，” 该研究的第一作者、埃默里大学化学系博士生陈旭表示。” 我们希望这能显著加快超导领域的发现速度。”
研究团队面临的主要挑战是缺乏足够的高质量实验数据来训练模型。为此，他们采用高通量模拟生成大量数据，并将其与少量实验数据结合，创建了一个强大而高效的机器学习框架。
“ 这就像训练自动驾驶汽车，” 埃默里大学助理教授刘芳解释道。” 你可能会在亚特兰大进行广泛测试，但你希望它们在纽黑文，或者任何地方都能可靠地运行。所以，问题是：我们如何使学习既具有可转移性又易于理解？”
他们的框架通过应用从模拟中获得的见解，使机器学习模型能够识别实验数据中的相，即使是从单个频谱快照中。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，为更快、更可扩展的量子材料和分子系统探索打开了大门。
量子材料中的粒子行为违背了经典物理学。最引人注目的特征之一是量子纠缠现象，粒子在远距离上相互影响。这些不寻常的波动赋予了量子材料其显著的特性，最著名的例子之一是在铜氧化物中发现的 high-temperature superconductivity。
然而，虽然波动常常伴随着这些强大的特性，它们也使许多物理特性难以理解、测量和设计。识别材料中相变的传统方法依赖于一种称为谱隙的东西，但在具有强波动的系统中，这种方法失效了。
“ 这意味着科学家不能仅仅通过观察谱隙来轻松确定 transition temperature，” 耶鲁大学助理教授何宇解释道。” 找到更好的方法来表征这些转变对于有效发现新的量子材料并将其设计用于实际应用至关重要。”
超导性——某些材料在零能量损失下导电的能力——是量子物理学中最迷人的现象之一。1986 年，铜酸盐超导体的发现带来了重大突破。这些材料可以在高达 130 开尔文（-211°F）的温度下超导，虽然仍然很冷，但足够温暖，可以使用廉价的液氮达到。
然而，铜酸盐属于量子材料类，其中电子的行为受纠缠和强量子波动控制。这些材料相复杂且难以使用传统理论预测，使其既令人兴奋又具有挑战性。
研究人员采用领域对抗神经网络（DANN）的方法，这是一种类似于自动驾驶汽车技术中使用的图像识别训练方法。通过模拟热力学相变的基本特征数据，他们能够训练机器学习模型来识别这种模式。
“ 这为我们打开了大量新空间，我们可以比通过现实生活实验更快地探索，” 陈旭说。” 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张图像来训练机器学习模型来识别这种模式。”
耶鲁大学的物理学家团队通过铜酸盐实验测试了机器学习模型。结果表明，该方法可以以近 98% 的准确率区分超导和非超导相。与传统的机器学习辅助光谱特征提取不同，新方法基于能隙内的特征光谱特征来精确定位相变，使其更加稳健且可推广到一系列材料。
通过展示机器学习克服实验数据限制的能力，这项工作克服了 quantum materials 研究中的一个长期挑战，为可能影响从节能电子到下一代计算的一切的更快发现铺平了道路。
