Wetenschap
Het meest voorkomende verval van het muon. Krediet:publiek domein
De School of Physical Sciences van de Universiteit van Kent, in samenwerking met de Science and Technology Facilities Council (STFC) en de universiteiten van Cardiff, Durham en Leeds, hebben een algoritme ontwikkeld om computers te trainen in het analyseren van signalen van subatomaire deeltjes die zijn ingebed in geavanceerde elektronische materialen.
de deeltjes, muonen genoemd, worden geproduceerd in grote deeltjesversnellers en worden geïmplanteerd in materiaalmonsters om hun magnetische eigenschappen te onderzoeken. Muonen zijn uniek nuttig omdat ze magnetisch koppelen aan individuele atomen in het materiaal en vervolgens een signaal uitzenden dat door onderzoekers kan worden gedetecteerd om informatie over dat magnetisme te verkrijgen.
Dit vermogen om magnetisme op atomaire schaal te onderzoeken, maakt op muonen gebaseerde metingen een van de krachtigste sondes van magnetisme in elektronische materialen, inclusief 'kwantummaterialen' zoals supergeleiders en andere exotische vormen van materie.
Omdat het niet mogelijk is om af te leiden wat er in het materiaal gebeurt door eenvoudig onderzoek van het signaal, onderzoekers vergelijken hun gegevens normaal gesproken met generieke modellen. In tegenstelling tot, het huidige team paste een data-wetenschappelijke techniek aan genaamd Principal Component Analysis (PCA), veel gebruikt in gezichtsherkenning.
De PCA-techniek houdt in dat een computer veel verwante maar verschillende afbeeldingen krijgt en vervolgens een algoritme uitvoert dat een klein aantal "archetypische" afbeeldingen identificeert die kunnen worden gecombineerd om te reproduceren, met grote nauwkeurigheid, een van de originele afbeeldingen. Een op deze manier getraind algoritme kan vervolgens taken uitvoeren zoals het herkennen of een nieuwe afbeelding overeenkomt met een eerder geziene.
Onderzoekers pasten de PCA-techniek aan om de signalen te analyseren die worden uitgezonden door muonen die zijn ingebed in complexe materialen, het trainen van het algoritme voor een verscheidenheid aan kwantummaterialen met behulp van experimentele gegevens verkregen bij de ISIS Neutron en Muon-bron van het STFC Rutherford Appleton Laboratory.
De resultaten toonden aan dat de nieuwe techniek even bekwaam is als de standaardmethode voor het detecteren van faseovergangen en in sommige gevallen overgangen kan detecteren die de mogelijkheden van standaardanalyses te boven gaan.
Dr. Jorge Quintanilla, Senior docent gecondenseerde materietheorie aan Kent en leider van de onderzoeksgroep Physics of Quantum Materials zei:"Onze onderzoeksresultaten zijn uitzonderlijk, omdat dit werd bereikt door een algoritme dat niets wist over de fysica van de onderzochte materialen. Dit suggereert dat de nieuwe aanpak een zeer brede toepassing zou kunnen hebben en, als zodanig, we hebben onze algoritmen beschikbaar gemaakt voor gebruik door de wereldwijde onderzoeksgemeenschap."
Wetenschap © https://nl.scienceaq.com