Машинное обучение используют для анализа квантового материала

Прочитано: 84 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


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



Новости партнеров