Cornell-kwantumonderzoekers hebben een ongrijpbare fase van materie gedetecteerd, de Bragg-glasfase genoemd, met behulp van grote hoeveelheden röntgengegevens en een nieuwe machine learning-data-analysetool. De ontdekking beantwoordt een al lang bestaande vraag of deze bijna – maar niet helemaal – geordende staat van Bragg-glas kan bestaan ​​in echte materialen.

Het artikel, "Bragg-glashandtekeningen in Pd_x ErTe₃ met röntgendiffractie Temperature Clustering (X-TEC)" is gepubliceerd in Nature Physics . De hoofdauteur is Krishnanand Madhukar Mallayya, een postdoctoraal onderzoeker bij de afdeling Natuurkunde van het College of Arts and Sciences (A&S). Eun-Ah Kim, hoogleraar natuurkunde (A&S), is de corresponderende auteur. Het onderzoek werd uitgevoerd in samenwerking met wetenschappers van het Argonne National Laboratory en de Stanford University.

De onderzoekers presenteren het eerste bewijs van een Bragg-glasfase zoals gedetecteerd door röntgenverstrooiing, een sonde die toegang heeft tot het gehele grootste deel van een materiaal, in tegenstelling tot alleen het oppervlak van een materiaal, in een systematisch ongeordende ladingsdichtheidsgolf. CDW) materiaal, Pd_x ErTe₃ . Ze gebruikten uitgebreide röntgengegevens en een nieuw hulpmiddel voor machine learning-gegevensanalyse, X-ray Temperature Clustering (X-TEC).

"Ondanks de theoretische voorspelling dertig jaar geleden bleef concreet experimenteel bewijs voor CDW Bragg-glas in het grootste deel van het kristal ontbreken", zei Mallayya.

Theoretisch is er een scherp onderscheid tussen drie fasen:orde op lange termijn, Bragg-glas en wanordelijke toestand, zei Kim. In de ongeordende toestand vervalt de CDW-correlatie binnen een eindige afstand. In de geordende toestand over lange afstand gaat de golfcorrelatie van de ladingsdichtheid voor onbepaalde tijd door.

In de Bragg-glasfase, vervolgde Kim, vervalt de CDW-correlatie zo langzaam dat deze pas op oneindige afstanden volledig zal verdwijnen.

"De uitdaging is het detecteren van dit onderscheid in experimentele gegevens die ook problemen uit het echte leven weerspiegelen, zoals ruis en eindige resolutie van de experimentele opstelling", aldus Kim.

De onderzoekers hebben belangrijke uitdagingen overwonnen door strategische synergie tussen materialen, data en hulpmiddelen voor machinaal leren. Op het gebied van materialen hebben ze, in samenwerking met wetenschappers van Stanford, een familie van CDW-materialen gevonden die een systematisch onderzoek met controle over vuil mogelijk zullen maken, zodat ze in het experiment kunnen worden gebruikt:Pd_x ErTe₃ . Op het gebied van data hebben ze in samenwerking met wetenschappers uit Argonne enorme hoeveelheden data verzameld bij het Argonne National Laboratory.

Op het gebied van machine learning gebruikten ze X-TEC, een machine learning-tool, om de enorme hoeveelheid gegevens te analyseren met een schaalbare en geautomatiseerde aanpak.

"Een experimentele detectie van de Bragg-glasfase door middel van röntgendiffractie heeft de open vraag opgelost met betrekking tot het lot van CDW-bestellingen die onderhevig zijn aan vuil," zei Mallayya.

Het artikel gaat verder dan het specifieke wetenschappelijke probleem en presenteert een nieuwe manier van onderzoek in het tijdperk van grote data. Kim zei:"Met behulp van machine learning-tools en datawetenschappelijke perspectieven kunnen we uitdagende vragen nastreven en subtiele handtekeningen opsporen via een alomvattend onderzoek. gegevensanalyse."

De onderzoekers schreven dat deze detectie van de Bragg-glasorde en het resulterende fasediagram ons begrip van de complexe wisselwerking tussen wanorde en fluctuaties aanzienlijk vergroot. Bovendien kan het gebruik van X-TEC om fluctuaties te targeten via een hoge-doorvoermeting van "piekspreiding" een revolutie teweegbrengen in de manier waarop de fluctuaties worden bestudeerd in verstrooiingsexperimenten.

Meer informatie: Krishnanand Mallayya et al., Bragg-glashandtekeningen in Pd_x ErTe₃ met röntgendiffractietemperatuurclustering, Natuurfysica (2024). DOI:10.1038/s41567-023-02380-1

Aangeboden door Cornell University