El uso de la inteligencia artificial acorta el tiempo para identificar pasos cuánticos complejos en el contenido de meses a minutos, una nueva investigación publicada en él. Netónico. Este progreso puede intensificar significativamente la investigación en materiales cuánticos, especialmente en supercompartes de baja dimensión.
El estudio fue dirigido por expertos experimentales en la Universidad Theorest y Yale de la Universidad de Emuri. Los autores superiores incluyen al profesor asistente Feng Liu y Yo Wang en el Departamento de Química de Emuri, y Yel, profesor asistente del Departamento de Física Aplicada de Yale.
El equipo aplicó las técnicas de aprendizaje automático para detectar señales de riesgo claras que indican la transferencia del sistema de material cuántico al transferencia de fase, donde los electrones están firmemente enredados. Es conocido que estas sustancias sean un modelo con física tradicional debido a fluctuaciones inesperadas.
“Nuestro método ofrece una instantánea aguda y precisa de una transferencia de fase muy complicada a algún costo”, dice Chen, el primer autor de este estudio y química. “Esperamos que esto pueda intensificar drásticamente los descubrimientos en el campo de SuperCompot”.
Falta de datos experimentales de alta calidad lo suficiente como para capacitar a los modelos desafiantes en la implementación del aprendizaje automático en materiales cuánticos. Para superar esto, los investigadores utilizaron una simulación alta y alta para producir grandes cantidades de datos. Luego mezcló estos resultados falsos con solo pequeñas cantidades de datos experimentales para crear un marco de aprendizaje automático potente y eficiente.
Liu explicó: “Esto es como un entrenamiento de automóviles auto -roras”. Puede probarlos ampliamente en Atlanta, pero desea que se desempeñen en New Haven, o realmente, en cualquier lugar. Entonces, la pregunta es: ¿cómo hacemos que el aprendizaje se intercambie y sea comprensible? “
Su marco permite que el modelo de aprendizaje automático identifique las etapas en los datos experimentales, incluso en una sola instantánea versum, aplicando ideas obtenidas de la imitación. Este enfoque aborda el desafío continuo de los datos experimentales limitados en el aprendizaje automático científico y abre la puerta a una investigación rápida y ampliada del contenido cuántico y los sistemas moleculares.
Otros socios de este estudio incluyen al ex pregrado Yuan Sunn de la Universidad de Klemson. El ex investigador post -doctoral de Emuri Yujin Heroska; Vivek Dickst, ex investigador post documental de Klemson; Y un estudiante de doctorado en Yale.
Quantum volado: ángel y diablo
Quantum es una clase especial de contenido en la que partículas como electrones y átomos se comportan de manera que niegan la física clásica. Una de las características más interesantes de ellas es el fenómeno cuántico llamado confusión, donde las partículas se afectan entre sí en una distancia. Un parecido popular es el gato de The Shardinger. Una experiencia de pensamiento en la que un gato puede estar vivo y muerto al mismo tiempo. En el material cuántico, los electrones pueden comportarse de la misma manera, en lugar de colectivamente.
Esta conexión extraordinaria, o más claramente fluctúa, que le dan al contenido cuántico sus características notables. Uno de los ejemplos más famosos es la supercondicuticidad de alta temperatura que se encuentra en los compuestos de óxido de cobre, o en la capacidad, donde la electricidad fluye sin resistencia bajo ciertas condiciones.
Pero aunque la volatilidad a menudo se acompaña de estas potentes características, hacen que muchas propiedades físicas comprendan, medir y diseñen increíblemente difíciles. Los métodos tradicionales para indicar la transferencia de fase en el contenido dependen de algo llamado brecha espectral. Sin embargo, en sistemas volátiles fuertes, este método está roto.
“En cambio, es un nivel de armonía global entre los electrones súper conductores geselinos, o la ‘fase’ cuántica ‘que gobierna la transferencia”, dice, que recientemente ha publicado un estudio separado al revelar el efecto de este efecto.
Wang agregó: “Esto es como ir a otro país donde todos hablan un idioma diferente, no puedes confiar en lo que funciona primero”.
Esto significa que los científicos no pueden determinar fácilmente la temperatura de transferencia, el punto en el que se patean los supuestos, solo mirando la diferencia. Encontrar estas características de transferencia es muy importante para encontrar un nuevo contenido cuántico de manera efectiva y un diseño para aplicaciones del mundo real.
Cena de alta temperatura
Supercondicuti: ciertos materiales para el corte de energía con pérdida de energía cero, es el fenómeno más interesante en la física cuántica. Fue descubierto en 1911, cuando los científicos descubrieron que Mercurio había perdido por completo su resistencia eléctrica a 4 calorías (-452 ° F), que es mucho más alta que cualquier lugar natural en nuestro sistema solar.
No fue sino hasta 1957 que los científicos eran completamente capaces de explicar cómo funciona Supercondicuto. A temperaturas cotidianas, los electrones en un material se mueven libremente y a menudo chocan con átomos, perdiendo energía en este proceso. Pero a una temperatura muy baja, el electrón puede producir el equipo y crear un nuevo estado de material. En este estado de emparejamiento, entran en una sincronización perfecta como un baile de coreografía bien, lo que hace que la electricidad fluya sin resistencia.
En 1986, con el descubrimiento de los súper conductores de capital, se avanzó un gran progreso. Este material puede ser súper conducido a una temperatura superior a 130 caliones (-211 ° F), que todavía es lo suficientemente caliente como para usar nitrógeno líquido barato, a pesar del frío. Hizo que las aplicaciones prácticas de Supercondicutti sean más realistas.
Sin embargo, las capturas pertenecen a la clase de material cuántico, donde el comportamiento de los electrones funciona a través de una fuerte volatilidad cuántica. Estas etapas materiales son difíciles de predecir complejos y el uso de ideas tradicionales, lo que las hace interesantes y difíciles para estudiar.
Hoy, los científicos de todo el mundo se ejecutan para desbloquear las capacidades completas de los súper directores. El objetivo final es producir materiales que puedan ser súper conducidos a temperatura ambiente. Si tiene éxito, puede revolucionar todo, desde la red eléctrica hasta la informática, lo que hace que la electricidad fluya sin electricidad y se desperdicie sin electricidad.
Un nuevo punto de vista
Los investigadores querían usar el modelo de aprendizaje automático para eliminar esta barrera.
Sin embargo, los modelos de aprendizaje automático deben ser entrenados en grandes cantidades de datos etiquetados para que puedan aprender a distinguir efectivamente una característica particular del ruido. La captura del curso, la cantidad de datos experimentales sobre la transferencia de fase en el contenido del material.
Los investigadores adoptaron una red neuronal asesora de dominio (DNN), una visión de la capacitación en identificación con foto utilizada en tecnología detrás de los autos auto -run. En lugar de ingresar a millones de gatos en el modelo de aprendizaje automático, es más práctico identificar y eliminar las características clave de los gatos. Por ejemplo, las imágenes 3D esenciales, artificiales y 3D que muestran las características esenciales del gato se pueden fotografiar desde muchos ángulos diferentes para capturar los datos artificiales necesarios para entrenar a un gato real para reconocer a un gato real.
“Del mismo modo, podemos entrenar el modelo de aprendizaje automático para identificar el modelo de aprendizaje automático imitando los datos de las características esenciales de la transferencia de fase termodéntica”, dice Chen. “Y abre mucho espacio nuevo que podemos encontrar más rápido que las experiencias de la vida real. Siempre que tengamos la comprensión de las características clave en un sistema, podemos más rápido miles de imágenes para entrenar el modelo de aprendizaje automático para identificar este estilo”.
Agregó que estas muestras son directamente aplicables a los espectros experimentales reales para investigar la súper fase de dirección.
Su novela, desde un punto de vista con poder de datos, aprovecha la cantidad limitada de datos de espectroscopía experimental sobre el material asociado con grandes cantidades en grandes cantidades. La firma clave para la transferencia de la etapa utilizada en el modelo hace que el proceso de toma de decisiones de IA sea transparente y digno.
Para verificar el modelo
El equipo de médicos de Yale probó el modelo de aprendizaje automático a través de experiencias de captura. Los resultados sugieren que este método puede distinguir aproximadamente el 9898 % de precisión entre las etapas súper conductoras y no de compra.
Y a diferencia del aprendizaje automático tradicional, extrayendo propiedades auxiliares en espectroscopía, el nuevo método indica una transferencia de fase basada en las propiedades características de la característica dentro de la diferencia de energía, lo que lo hace más fuerte y común para múltiples materiales. Esto aumenta la capacidad del modelo de análisis de lanzamiento alto.
Al mostrar el poder del aprendizaje automático para superar los límites experimentales de los datos, el trabajo supere un desafío de larga data en la investigación de materiales cuánticos, que limpia el camino hacia descubrimientos más rápidos que afectan todo, desde la electrónica eficiente en energía hasta la computación de próxima generación.
El trabajo fue financiado por la Oficina de Investigación Científica de la Fuerza Aérea, el Departamento de Energía de los Estados Unidos y la subvención de la Oficina de Provost de Yale de la Fundación Nacional de Ciencias y la subvención de semillas.
