Het ingewikkelde gedrag van elektronen begrijpen heeft geleid tot ontdekkingen die de samenleving hebben veranderd, zoals de revolutie in de informatica die mogelijk werd gemaakt door de uitvinding van de transistor.

Vandaag, door technologische vooruitgang, elektronengedrag kan veel dieper worden bestudeerd dan in het verleden, die mogelijk wetenschappelijke doorbraken mogelijk maken die zo wereldveranderend zijn als de personal computer. Echter, de gegevens die deze tools genereren, zijn te complex voor mensen om te interpreteren.

Een door Cornell geleid team heeft een manier ontwikkeld om machinaal leren te gebruiken om de gegevens te analyseren die zijn gegenereerd door scanning tunneling microscopie (STM) - een techniek die subatomaire schaalbeelden produceert van elektronische bewegingen in materiaaloppervlakken met verschillende energieën, het verstrekken van informatie die op geen enkele andere manier bereikbaar is.

"Sommige van die foto's zijn gemaakt op materialen die al twintig jaar als belangrijk en mysterieus werden beschouwd, " zei Eun-Ah Kim, hoogleraar natuurkunde. "Je vraagt ​​je af wat voor geheimen er in die beelden begraven liggen. Die geheimen willen we graag ontrafelen."

Kim is senior auteur van "Machine Learning in Electronic Quantum Matter Imaging Experiments, " die gepubliceerd in Natuur 19 juni. De eerste auteurs zijn Yi Zhang, voorheen een postdoctoraal onderzoeker in het laboratorium van Kim en nu aan de Peking University in China, en Andrej Mesaros, een voormalig postdoctoraal onderzoeker in het laboratorium van Kim, nu aan de Université Paris-Sud in Frankrijk.

Co-auteurs zijn onder meer J.C. Séamus Davis, Cornell's James Gilbert White Distinguished Professor in de Exacte Wetenschappen, een innovator in STM-gedreven studies.

Het onderzoek leverde nieuwe inzichten op in hoe elektronen op elkaar inwerken en liet zien hoe machine learning kan worden gebruikt om verdere ontdekkingen in experimentele kwantumfysica te stimuleren.

Op subatomaire schaal, een bepaald monster zal biljoen biljoenen elektronen bevatten die met elkaar en de omliggende infrastructuur in wisselwerking staan. Het gedrag van elektronen wordt mede bepaald door de spanning tussen hun twee concurrerende neigingen:zich verplaatsen, geassocieerd met kinetische energie; en ver uit elkaar blijven, geassocieerd met afstotende interactie-energie.

In dit onderzoek, Kim en medewerkers gingen op zoek naar welke van deze neigingen belangrijker is in een supergeleidend materiaal bij hoge temperaturen.

STM gebruiken, elektronen tunnelen door een vacuüm tussen de geleidende punt van de microscoop en het oppervlak van het te onderzoeken monster, het verstrekken van gedetailleerde informatie over het gedrag van de elektronen.

"Het probleem is, als je zulke data neemt en opslaat, je krijgt beeldachtige gegevens, maar het is geen natuurlijk beeld, als een appel of een peer, " zei Kim. De gegevens die door het instrument worden gegenereerd, lijken meer op een patroon, ze zei, en ongeveer 10, 000 keer ingewikkelder dan een traditionele meetcurve. "We hebben geen goede tool om dat soort datasets te bestuderen."

Om deze gegevens te interpreteren, de onderzoekers simuleerden een ideale omgeving en voegden factoren toe die veranderingen in het elektronengedrag zouden veroorzaken. Vervolgens trainden ze een kunstmatig neuraal netwerk - een soort kunstmatige intelligentie die een specifieke taak kan leren met behulp van methoden die zijn geïnspireerd op hoe de hersenen werken - om de omstandigheden te herkennen die verband houden met verschillende theorieën. Toen de onderzoekers de experimentele gegevens in het neurale netwerk invoerden, het bepaalde op welke van de theorieën de feitelijke gegevens het meest leken.

Deze methode, Kim zei, bevestigde de hypothese dat de afstotelijke interactie-energie meer invloed had op het gedrag van de elektronen.

Een beter begrip van hoeveel elektronen interageren op verschillende materialen en onder verschillende omstandigheden zal waarschijnlijk leiden tot meer ontdekkingen, ze zei, inclusief de ontwikkeling van nieuwe materialen.

"De materialen die leidden tot de eerste revolutie van transistors waren eigenlijk vrij eenvoudige materialen. Nu hebben we de mogelijkheid om veel complexere materialen te ontwerpen, "Zei Kim. "Als deze krachtige tools belangrijke aspecten kunnen onthullen die leiden tot een gewenste eigenschap, we willen graag een materiaal kunnen maken met die eigenschap."