共计 2202 个字符，预计需要花费 6 分钟才能阅读完成。
一项发表在《自然》杂志上的最新研究显示，人工智能技术能够将识别材料中复杂量子相的时间从数月大幅缩短至几分钟。这一突破性进展有望显著加速量子材料研究，特别是在低维超导体领域。
该研究由埃默里大学的理论物理学家和耶鲁大学的实验物理学家共同主导。研究团队包括埃默里大学化学系助理教授刘芳和王瑶，以及耶鲁大学应用物理系助理教授何宇。
- 
- 
- 
- 
- 
- 
研究人员采用机器学习技术来检测量子材料中表明相变的清晰光谱信号。由于这些材料中的电子呈现强纠缠状态，且具有不可预测的波动特性，传统物理方法难以有效建模。
“ 我们的方法以近乎零成本快速准确地捕捉了极其复杂的相变，” 该研究的第一作者、埃默里大学化学系博士生陈旭表示。” 我们期待这一技术能够显著推进超导领域的发现进程。”
在应用机器学习研究量子材料时，高质量实验数据的缺乏是一个主要挑战。为此，研究团队通过高通量模拟生成大量数据，并将其与少量实验数据相结合，构建了一个高效可靠的机器学习框架。
“ 这类似于训练自动驾驶汽车，” 刘教授解释道。” 你可能在亚特兰大进行广泛测试，但希望系统在纽黑文或其他任何地方都能可靠运行。关键问题在于：我们如何使学习过程既具有可转移性又易于理解？”
该框架使机器学习模型能够通过模拟获得的洞见来识别实验数据中的相变，即使仅从单一光谱快照中也能实现。这种方法有效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研究开辟了新途径。
量子材料是一类特殊物质，其中电子和原子等粒子的行为违背了经典物理学。其最显著的特征之一是量子纠缠现象，即粒子在远距离上相互影响。这种特性类似于著名的薛定谔猫思想实验，在量子材料中，电子的行为表现为集体而非个体。
这些不寻常的相关性，更准确地说是波动，赋予了量子材料其独特性质。最著名的例子之一是在铜氧化物化合物（即铜酸盐）中发现的高温超导性，其中电流在某些条件下能够无阻力流动。
然而，虽然波动常常伴随着这些强大的特性，但也使许多物理性质变得极其难以理解、测量和设计。传统方法依赖于能隙来识别材料中的相变，但在强波动系统中，这种方法往往失效。
“ 实际上，是无数超导电子之间的全局协调水平，或称量子 ’ 相 ’，主导了这种转变，” 何教授表示，他最近的研究揭示了这种效应的广泛程度。
“ 这就像搬到一个每个人都说不同语言的国家——你不能仅仅依赖以前有效的方法，” 王教授补充道。
这意味着科学家无法通过简单观察能隙来确定转变温度——即超导性开始出现的临界点。寻找更好的方法来表征这些转变对于有效发现新型量子材料并设计其实际应用至关重要。
超导性——某些材料在零能量损失下导电的能力——是量子物理学中最引人入胜的现象之一。它于 1911 年首次被发现，当时科学家观察到汞在 4 开尔文（-452°F）时完全失去电阻，这个温度比太阳系中任何自然环境的温度都要低。
直到 1957 年，科学家才完全解释了超导性的工作原理。在常温下，材料中的电子独立移动并频繁与原子碰撞，在此过程中损失能量。但在极低温度下，电子可以结合形成一种新的物质状态。在这种配对状态下，它们以完美的同步移动，就像编排精密的舞蹈，允许电流无阻力流动。
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）的温度下实现超导，虽然仍需要低温环境，但已经可以使用相对廉价的液氮来实现。这使得超导性的实际应用变得更加可行。
然而，铜酸盐属于量子材料类，其中电子的行为由纠缠和强量子波动支配。这些材料的相变过程复杂且难以用传统理论预测，使其既令人兴奋又充满挑战。
目前，全球科学家正在竞相解锁超导体的全部潜力。最终目标是创造能够在室温下实现超导的材料。如果成功，这将彻底改变从电网到计算等各个领域——使电流能够以完美效率流动，不产生热量或能量损耗。
研究团队采用机器学习模型来克服这一重大挑战。
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背景噪声。主要问题在于相关材料中相变的实验数据量相对有限。
研究人员采用了领域对抗神经网络（DANN）的方法，类似于自动驾驶汽车技术中使用的图像识别训练方法。与其将数百万张猫的图像输入机器学习模型，不如识别并提取猫的关键特征。例如，通过生成显示猫基本特征的简单、模拟的 3D 图像，可以从多个角度捕捉训练模型识别真实猫所需的合成数据。
“ 同样，通过模拟热力学相变的基本特征数据，我们可以训练机器学习模型来识别它，” 陈博士解释道。” 这为我们打开了大量新的研究空间，我们可以比通过真实实验更快地探索。只要我们了解系统中的关键特征，就可以快速生成数千张图像来训练机器学习模型识别这种模式。”
他补充说，这些模式直接适用于探测真实实验光谱中的超导相。
这种新颖的数据驱动方法通过将有限的相关材料实验光谱数据与大量模拟数据相结合，充分利用了现有资源。模型中使用的相变关键特征使得 AI 的决策过程透明且可解释。
耶鲁大学的物理学家团队通过对铜酸盐的实验测试了该机器学习模型。结果表明，该方法能够以接近 98% 的准确率区分超导和非超导相。
与传统机器学习辅助的光谱特征提取方法不同，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多种材料。这大大提高了模型在高通量分析中的应用潜力。
通过展示机器学习克服实验数据限制的能力，这项工作成功解决了量子材料研究中的长期难题，为从节能电子到下一代计算的更快发现铺平了道路。
