Extreme temperaturen kunnen vreemde dingen doen met metalen. Bij extreme hitte, ijzer houdt op magnetisch te zijn. In vernietigende kou, lood wordt een supergeleider.

De laatste 30 jaar, natuurkundigen zijn stomverbaasd over wat er precies gebeurt met uranium-rutheniumsilicide (URu ₂ Si ₂ ) bij 17,5 kelvin (min 256 graden Celsius). Door warmtecapaciteit en andere kenmerken te meten, ze kunnen zien dat het een soort faseovergang ondergaat, maar dat is zoveel als iedereen met zekerheid kan zeggen. Tal van theorieën in overvloed.

Een Cornell-samenwerking onder leiding van natuurkundige Brad Ramshaw, de Dick &Dale Reis Johnson-assistent-professor aan het College van Kunsten en Wetenschappen, gebruikte een combinatie van echografie en machinaal leren om de mogelijke verklaringen te verkleinen voor wat er met dit kwantummateriaal gebeurt wanneer het deze zogenaamde 'verborgen orde' binnengaat.

hun papier, "Een-component-orderparameter in URu ₂ Si ₂ Uncovered by Resonant Ultrasound Spectroscopy and Machine Learning" gepubliceerd op 6 maart in wetenschappelijke vooruitgang .

"In uranium ruthenium silicide, we hebben geen idee wat de elektronen doen in de staat van verborgen orde, " zei Ramshaw, senior auteur van de krant. "We weten dat ze niet magnetisch worden, we weten dat ze niet supergeleidend worden, maar wat zijn ze aan het doen? Er zijn veel mogelijkheden - orbitale orde, ladingsdichtheidsgolven, valentie-overgangen - maar het is moeilijk om deze verschillende toestanden van materie uit elkaar te houden. Dus de elektronen 'verbergen zich, ' op die manier."

Ramshaw en zijn promovendus Sayak Ghosh gebruikten ultrasone spectroscopie met hoge resolutie om de symmetrie-eigenschappen van een eenkristal van URu2Si2 te onderzoeken en hoe deze eigenschappen veranderen tijdens de faseovergang van de verborgen orde. De meeste faseovergangen gaan gepaard met een verandering in symmetrie-eigenschappen. Bijvoorbeeld, vaste stoffen hebben al hun atomen op een georganiseerde manier opgesteld, terwijl vloeistoffen dat niet doen. Deze veranderingen in symmetrie zijn niet altijd duidelijk, en kan experimenteel moeilijk te detecteren zijn.

"Door naar symmetrie te kijken, we hoeven niet alle details te weten over wat het uranium doet, of wat het ruthenium doet. We kunnen gewoon analyseren hoe de symmetrie van het systeem eruitziet voor de faseovergang, en hoe het eruit ziet, ' zei Ramshaw. 'En dat laat ons de tabel met mogelijkheden nemen die theoretici hebben bedacht en zeggen:'We zullen, deze zijn niet consistent met de symmetrie voor en na de faseovergang, maar deze zijn.' Dat is mooi, omdat het zeldzaam is dat je zulke definitieve ja en nee uitspraken kunt doen."

Echter, de onderzoekers stuitten op een probleem. Om de ultrasone gegevens te analyseren, ze zouden het normaal gesproken modelleren met golfmechanica. Maar om de zuiverste vorm van URu2Si2 te bestuderen, ze moesten een kleinere gebruiken, schoner monster. Deze "vreemd gevormde kleine zeshoekige chip, ' zei Ramsja, was te klein en had te veel onzekerheid voor een eenvoudige golfmechanische oplossing.

Dus Ramshaw en Ghosh wendden zich tot Eun-Ah Kim, hoogleraar natuurkunde en co-auteur van het artikel, en haar promovendus Michael Matty, om een ​​algoritme voor machine learning te produceren dat de gegevens kan analyseren en onderliggende patronen kan ontdekken.

"Machine learning is niet alleen voor een afbeelding-achtige data of big data, "Zei Kim. "Het kan de analyse van alle gegevens drastisch veranderen met een complexiteit die handmatige modellering ontwijkt."

"Het is moeilijk, omdat de gegevens slechts een lijst met getallen zijn. Zonder enige methode, het heeft geen structuur, en het is onmogelijk om er iets van te leren, " zei Matty, co-hoofdauteur van het papier met Ghosh. "Machine learning is echt goed in het leren van functies. Maar je moet de training correct doen. Het idee was, er is een functie die deze lijst met getallen toewijst aan een klasse theorieën. Gegeven een reeks numeriek benaderde gegevens, we zouden kunnen doen wat in feite regressie is om een ​​functie te leren die de gegevens voor ons interpreteert."

De resultaten van het machine-learning-algoritme elimineerden ongeveer de helft van de meer dan 20 mogelijke verklaringen voor de verborgen volgorde. Het kan het URu2Si2-raadsel nog niet oplossen, maar het heeft een nieuwe benadering gecreëerd voor het aanpakken van data-analyseproblemen in de experimentele fysica.

Het algoritme van het team kan worden toegepast op andere kwantummaterialen en -technieken, met name nucleaire magnetische resonantie (NMR) spectroscopie, het fundamentele proces achter magnetische resonantie beeldvorming (MRI). Ramshaw is ook van plan de nieuwe techniek te gebruiken om de weerbarstige geometrieën van uraniumtelluride aan te pakken, een potentiële topologische supergeleider die een platform zou kunnen zijn voor quantum computing.