Geleidt het elektriciteit? Of isoleren tegen stroom? Natuurkundigen classificeren vaak materiële fasen als de een of de ander. Machine learning is een krachtig hulpmiddel voor patroonherkenning en kan dus helpen bij het identificeren van fasen van materie. Echter, machine learning heeft een brug nodig naar de kwantumwereld, waar de fysica van atomen, elektronen, en deeltjes verschilt van die van grotere objecten of sterrenstelsels. Nutsvoorzieningen, wetenschappers hebben gezorgd voor een brug, die ze de kwantumlustopografietechniek noemen. Dit is een machine learning-algoritme op basis van neurale netwerken. Het detecteert met hoge efficiëntie een exotische fase waarin elektriciteit rond het oppervlak van het materiaal wordt geleid, maar niet door het midden. Ook, het maakt onderscheid tussen normale isolatoren en deze exotische topologische isolatoren.

Het snel vinden van exotische topologische fasen is essentieel voor nieuwe, ultra krachtige computers. Het vinden van de isolerende fase in dit onderzoek is slechts het begin voor deze techniek. De techniek verbindt neurale netwerken met de theorie van de kwantumwereld. De kwantumwereld leidt vaak tot ongelooflijke eigenschappen die krachtige, energiezuinige elektronica. Deze techniek geeft wetenschappers de tools om andere exotische fasen sneller te vinden en in kaart te brengen.

Er is een groeiende belangstelling voor het gebruik van machine learning om vragen over de fysica van gecondenseerde materie te beantwoorden, zoals metalen en isolatoren, inclusief hoe de interacties van veel elektronen te begrijpen. Kwantumsystemen kunnen exponentieel grote parameterruimten hebben, vergelijkbaar met grote datasets van afbeeldingen of analyse van consumentengegevens. Daarom, machine learning-algoritmen op basis van neurale netwerken kunnen ook worden getraind om kwantumfasen te identificeren. Trainen met zoveel informatie is moeilijk. Echter, de relevante informatie is veel kleiner. De belangrijkste uitdaging is om essentiële informatie uit de elektronische dichtheid te halen (ook bekend als de golffunctie met veel lichamen).

In dit onderzoek, wetenschappers van de Cornell University zijn deze uitdaging met succes aangegaan. Ze hebben de essentiële gegevens geëxtraheerd met behulp van een kwantumlus-topografiebrug. Bij het toepassen van deze kwantumbrug, een multidimensionaal beeld wordt gevormd uit driehoekige gebieden, of lussen, in het elektronische dichtheidsprofiel. Handtekeningen voor het definiëren van de fase begeleiden de lusconfiguratie. De handtekening was een bepaald type genaamd Hall-geleiding. De wetenschappers voerden de multidimensionale beelden vervolgens naar een volledig verbonden neuraal netwerk met een enkele verborgen laag.

De wetenschappers toonden aan dat het neurale netwerk effectief kan worden getraind om topologische isolatoren te onderscheiden (bijvoorbeeld Chern-isolator en fractionele Chern-isolator) van normale isolatoren met hoge betrouwbaarheid en aanzienlijke snelheid ten opzichte van standaardmethoden. Ze koppelden in wezen neurale netwerken en beeldherkenning aan de theorie van de gecondenseerde materie. Daardoor overwon de kwantumlus-topografie de "topologische bijziendheid van algoritmen voor machinaal leren op basis van neurale netwerken" (perspectief van de American Physical Society). Deze prestatie maakt de weg vrij voor een snellere identificatie van topologische orde en het verkrijgen van meer fasediagrammen van exotische materialen.