Elektronen en hun gedrag stellen kwantumfysici fascinerende vragen, en recente innovaties in bronnen, instrumenten en faciliteiten stellen onderzoekers in staat mogelijk toegang te krijgen tot nog meer informatie die is gecodeerd in kwantummaterialen.

Deze onderzoeksinnovaties produceren echter ongekende - en tot nu toe niet te ontcijferen - hoeveelheden gegevens.

"De informatie-inhoud in een stuk materiaal kan snel groter zijn dan de totale informatie-inhoud in de Library of Congress, die ongeveer 20 terabyte is", zegt Eun-Ah Kim, hoogleraar natuurkunde aan het College of Arts and Sciences, die aan de voorloper van zowel onderzoek naar kwantummaterialen als het benutten van de kracht van machine learning om gegevens van experimenten met kwantummateriaal te analyseren.

"De beperkte capaciteit van de traditionele analysemethode - grotendeels handmatig - wordt snel het kritieke knelpunt", zei Kim.

Een groep onder leiding van Kim heeft met succes een machine learning-techniek gebruikt die is ontwikkeld met computerwetenschappers van Cornell om enorme hoeveelheden gegevens van het kwantummetaal Cd₂ te analyseren. Re₂ O₇ , het beslechten van een debat over dit specifieke materiaal en het creëren van de weg voor toekomstig machinaal leren hielp inzicht in nieuwe fasen van materie.

De paper, "Gebruik maken van interpreteerbaar en onbewaakt machinaal leren om big data van moderne röntgendiffractie aan te pakken", gepubliceerd op 9 juni in Proceedings of the National Academy of Sciences .

Natuurkundigen en computerwetenschappers van Cornell werkten samen om een ​​onbewaakt en interpreteerbaar algoritme voor machinaal leren te bouwen, XRD Temperature Clustering (X-TEC). De onderzoekers pasten vervolgens X-TEC toe om de belangrijkste elementen van het pyrochlooroxidemetaal, Cd₂ Re₂ O₇ .

X-TEC analyseerde in minuten acht terabytes aan röntgengegevens, verspreid over 15.000 Brillouin-zones (uniek gedefinieerde cellen).

"We gebruikten algoritmen voor machinaal leren zonder toezicht, die perfect passen om hoogdimensionale gegevens te vertalen in clusters die logisch zijn voor mensen", zegt Kilian Weinberger, hoogleraar computerwetenschappen aan de Cornell Ann. S Bowers College of Computing and Information Science.

Dankzij deze analyse ontdekten de onderzoekers belangrijke inzichten in het elektronengedrag in het materiaal en ontdekten ze wat bekend staat als de pseudo-Goldstone-modus. Ze probeerden te begrijpen hoe atomen en elektronen zich op een ordelijke manier positioneren om de interactie binnen de astronomisch grote 'gemeenschap' van elektronen en atomen te optimaliseren.

"In complexe kristallijne materialen herhaalt een specifieke structuur van meerdere atomen, de eenheidscel, zichzelf in een normale opstelling, zoals in een hoog appartementencomplex," zei Kim. "De herpositionering die we ontdekten, gebeurt op schaal van elke appartementseenheid, over het hele complex."

Omdat de opstelling van de eenheden hetzelfde blijft, zei ze, is het moeilijk om deze herpositionering te detecteren door van buitenaf te kijken. De herpositionering breekt echter bijna spontaan een continue symmetrie, wat resulteert in een pseudo-Goldstone-modus.

"Het bestaan ​​van de pseudo-Goldstone-modus kan de geheime symmetrieën in het systeem onthullen die anders moeilijk te zien zijn," zei Kim. "Onze ontdekking werd mogelijk gemaakt door X-TEC."

Deze ontdekking is om drie redenen belangrijk, zei Kim. Ten eerste laat het zien dat machine learning kan worden gebruikt om omvangrijke röntgenpoederdiffractiegegevens (XRD) te analyseren, en als prototype te dienen voor toepassingen van X-TEC naarmate het opschaalt. X-TEC, beschikbaar voor onderzoekers als softwarepakket, zal in de synchrotron worden geïntegreerd als een analysetool bij de Advanced Photon Source en bij de Cornell High Energy Synchrotron Source.

Ten tweede beslecht de ontdekking een debat over de fysica van Cd₂ Re₂ O₇ .

"Voor zover wij weten, is dit de eerste keer dat een Goldstone-modus is gedetecteerd met behulp van XRD," zei Kim. "Dit inzicht op atomaire schaal in fluctuaties in een complex kwantummateriaal zal slechts het eerste voorbeeld zijn van het beantwoorden van belangrijke wetenschappelijke vragen die gepaard gaan met elke ontdekking van nieuwe fasen van materie ... met behulp van informatierijke omvangrijke diffractiegegevens."

Ten derde laat de ontdekking zien wat samenwerking tussen natuurkundigen en computerwetenschappers kan bereiken.

"De wiskundige innerlijke werking van machine-learning-algoritmen is vaak niet anders dan modellen in de natuurkunde, maar toegepast op hoogdimensionale gegevens", zei Weinberger. "Werken met natuurkundigen is erg leuk, omdat ze zo goed zijn in het modelleren van de natuurlijke wereld. Als het op datamodellering aankomt, gaan ze echt van start." + Verder verkennen

Theorie suggereert dat kwantumcomputers exponentieel sneller zouden moeten zijn bij sommige leertaken dan klassieke machines