Wetenschappers proberen kwantummaterialen - die met een gecorreleerde orde op subatomair niveau - te gebruiken voor elektronische apparaten, kwantumcomputers, en supergeleiders. Quantummaterialen hebben veel van hun eigenschappen te danken aan de fysica die op de kleinste schalen plaatsvindt, natuurkunde die volledig kwantummechanisch is.

Sommige materialen, zoals complexe magnetische materialen, overeenkomsten delen met kwantummaterialen, en wetenschappers kunnen deze bestuderen in een poging om kwantummaterialen beter te begrijpen en hun vermogen om in veel verschillende elektronische configuraties te bestaan ​​te begrijpen. Inzicht in de interacties die optreden binnen zowel kwantum als complexe magnetische materialen, echter, vereist rigoureuze onderzoeksmethoden.

Een dergelijke methode is neutronenverstrooiing, waarin neutrale deeltjes, neutronen genaamd, van een materiaal worden verstrooid om de microscopische eigenschappen van de resulterende interacties te ontdekken. Echter, het reconstrueren van de structuur en eigenschappen van een materiaal blijkt een uitdaging te zijn, zelfs voor doorgewinterde experts.

Voor de eerste keer, een team van het Oak Ridge National Laboratory (ORNL) van het Amerikaanse Department of Energy (DOE's) gebruikt kunstmatige intelligentie (AI) om patronen te vinden in neutronenverstrooiingsgegevens die kunnen leiden tot een beter begrip van de fysica in kwantum- of complexe magnetische materialen. Onder leiding van Alan Tennant, Initiatiefleider voor Quantum Materialen bij ORNL, het team heeft onlangs een kunstmatig neuraal netwerk (ANN) getraind om met succes gegevens te interpreteren van een neutronenverstrooiingsexperiment dat is uitgevoerd bij ORNL's Spallation Neutron Source (SNS). Het team heeft het netwerk getraind door het gegevens te verstrekken van neutronenverstrooiingssimulaties die zijn uitgevoerd op systemen van de Oak Ridge Leadership Computing Facility (OLCF), inclusief de ontmantelde Cray XK7 Titan van het centrum. Een van de krachtigste machines van zijn tijd, Titan blijft de wetenschappelijke gemeenschap voorzien van nieuwe ontdekkingen, zelfs na zijn pensionering afgelopen herfst.

"Voordat, wanneer je een experiment zou doen, je niet helemaal zeker was of je het juiste resultaat had, ' zei Tennant. 'Met dit neurale netwerk, we kunnen vertrouwen op het antwoord dankzij de uitgebreide training die het netwerk heeft moeten doorlopen. Van alle mogelijke gevallen die het tegenkomt, het kan de optimale oplossing vinden."

Het netwerk kan nieuwe informatie onthullen over huidige experimenten met neutronenverstrooiing en zelfs inzicht geven in welke experimenten in de toekomst het meest voordelig zouden zijn om uit te voeren.

De resultaten van het onderzoek zijn onlangs gepubliceerd in Natuurcommunicatie , en het team zet het werk voort op de 200 petaflop IBM AC922 Summit van de OLCF, 's werelds krachtigste supercomputer.

Voorbij de mens

Wanneer wetenschappers neutronenverstrooiingsexperimenten uitvoeren bij SNS, ze moeten rekening houden met de talrijke mogelijke scenario's die het verstrooiingspatroon zouden kunnen hebben gevormd. Het ontcijferen van de neutronen die van het materiaal verstrooien wordt een puzzel, en mensen die uitgebreide ervaring hebben met neutronenverstrooiingsgegevens, werden traditioneel vertrouwd om haalbare hypothesen te vormen over de structuur van het materiaal op basis van de verstrooiingspatronen die ze zien.

Onderzoekers die deze experimenten uitvoeren, kunnen doorgaans veel verschillende scenario's bedenken voor de Hamiltoniaan van een materiaal, de uitdrukking van de energie van het materiaal die de eigenschappen ervan volledig beschrijft. Maar ze kunnen onmogelijk alle oorzaken verklaren, vooral niet in materialen zoals spin-ijs. Spin ijs, magnetische analogen van ijs, worden verondersteld exotische magnetische toestanden te bezitten waar magnetische noord- en zuidpolen zich onafhankelijk van elkaar kunnen scheiden en gedragen, iets wat andere magneten niet kunnen. Het bepalen van de onderliggende interacties in deze materialen is zeer uitdagend gebleken, echter.

Een ANN trainen, een type machine learning dat patronen in gegevens kan analyseren en werkt op een manier die vergelijkbaar is met de neurale netwerken in een menselijk brein, is een mogelijke oplossing.

"Mensen kunnen nooit alle scenario's doornemen, omdat er altijd zijn waar je nog nooit aan hebt gedacht, " zei Anjana Samarakoon, een postdoctoraal onderzoeksmedewerker bij ORNL die nauw samenwerkte met Tennant aan het project. "Maar een computer kan honderdduizenden scenario's doornemen en de informatie voor je samenvatten. En zo wordt het een soort van betrouwbaar - het lost een van je grote problemen op."

Het team trainde een autoencoder - een type ANN dat vaak wordt gebruikt voor het comprimeren en opnieuw creëren van afbeeldingen - met behulp van tienduizenden simulaties (meer dan 50 miljard berekeningen) op de supercomputerbronnen bij het OLCF, een DOE Office of Science User Facility bij ORNL. Het team kon veel meer scenario's simuleren dan een mens kan onderzoeken. Het team ontdekte ook dat de ANN experimentele ruis filtert om alleen de belangrijkste informatie uit de onbewerkte verstrooiingsgegevens te halen om de structuur van een materiaal na te bootsen.

"Het doet wat een expert doet, maar het doet iets dat veel verder gaat, "Zei Samarakoon. "Dit kan tienduizend modellen doen in plaats van de simpele 100 of zo die een mens kan doen."

Glas mysteries

Nadat de onderzoekers het hadden getraind, de ANN kon de gesimuleerde gegevens vergelijken met experimentele verstrooiingsgegevens die zijn opgenomen van het CORELLI-instrument bij SNS, die is ontworpen om de wanorde in materialen zoals glas te onderzoeken. De ANN heeft nauwkeurig gegevens vastgelegd voor 1, 024 sites in het materiaal Dy ₂ Ti ₂ O ₇ , een spin-ijs dat bij lage temperaturen glasachtige eigenschappen heeft.

"We kennen de fysica niet waarom een ​​bril werkt, ' zei Tennant. 'Maar dit materiaal leent zich om te bestuderen dankzij de verbazingwekkende wiskunde die we kunnen gebruiken om het te begrijpen. Oak Ridge is een plek waar we echt onderzoek kunnen doen naar dit soort complexe materialen."

Het team gebruikte de Compute and Data Environment for Science (CADES) bij ORNL in combinatie met de systemen bij het OLCF voor verdere analyse van de simulaties. Na het netwerk te hebben getraind met de simulaties, het heeft uiteindelijk een Hamiltoniaanmodel bepaald om de magnetische eigenschappen van het materiaal te beschrijven, inclusief het punt waarop het verandert in iets dat lijkt op glas.

Nutsvoorzieningen, het team traint diepere neurale netwerken op Summit om glasachtige kwantummaterialen beter te begrijpen.

"We hebben alle simulaties kunnen doen die we nodig hadden voor de trainingsvoorbeelden bij het OLCF, " zei Samarakoon. "Met Summit, we kunnen op een meer interactieve manier nog diepere netten gebruiken en nog meer onbekenden verkennen."