¿Cómo el aprendizaje automático desbloquea misterios de la física cuántica?

Comprender el comportamiento complejo de los electrones ha llevado a hallazgos que transformaron la sociedad, como el transistor. Hoy, con los avances tecnológicos, el comportamiento de los electrones puede estudiarse mucho más de cerca que antes, posiblemente haciendo avances científicos tan cambiantes como la computadora del mundo. Sin embargo, los datos generados por estas herramientas son demasiado complejos para interpretar.

Un equipo dirigido por Cornell ha desarrollado una forma de analizar datos de microscopía de túnel de barrido (STM) utilizando una técnica de aprendizaje automático que produce imágenes subatómicas de movimientos electrónicos en superficies de materiales con energías variables, haciendo que los datos no estén disponibles mediante otros métodos.

 

Algunas de esas fotos tomaron dos décadas de materiales esenciales y misteriosos. Te preguntas qué secretos contienen estas imágenes. Queremos descubrir esos secretos, dijo Eun-Ah Kim, profesora de física y autora principal de Nature el 19 de junio “Aprendizaje automático en experimentos electrónicos de imágenes de materia cuántica”. La investigación dio nuevas ideas sobre cómo interactúan los electrones, mostrando cómo se puede utilizar el aprendizaje automático para Descubrir más en la física cuántica experimental.

A nivel subatómico, estará presente una muestra de miles de millones de electrones que interactúan entre sí y con la infraestructura circundante. La conducta de los electrones está determinada en parte por la tensión entre sus dos tendencias competitivas de moverse y mantenerse lejos, combinada con la interacción de energía repulsiva.

En este estudio, Kim y los colaboradores identificaron qué tendencias en un material superconductor de alta temperatura son más importantes.

Usando STM, los electrodos se sintonizan al vacío entre la punta principal del microscopio y la superficie de la muestra y proporcionan información detallada sobre el comportamiento de los electrones.

El problema es que si toma y registra dichos datos, obtiene datos similares a imágenes, pero no es una imagen precisa, como una manzana o una pera. Los datos generados por el instrumento se parecen más a un patrón que a una curva de medición tradicional y son 10.000 veces más complicados. Kim dijo que no tenemos una herramienta excelente para estudiar dichos conjuntos de datos.

Los investigadores simularon un entorno ideal y factores adicionales que conducirían a cambios en el comportamiento de los electrones. Luego entrenó una red neuronal artificial, un tipo de inteligencia artificial que puede aprender las condiciones asociadas con varias teorías utilizando métodos inspirados en el cerebro. Al ingresar datos experimentales en la red neuronal, los investigadores determinaron qué enfoques eran más similares a los datos reales.

Este método confirmó la hipótesis de que la energía de interacción repulsiva es más efectiva en el comportamiento de los electrones.

Agregó que una mejor comprensión de cuántos electrones interactúan bajo diferentes materiales y condiciones probablemente conduciría a nuevos descubrimientos, incluido el desarrollo de nuevos materiales.

De hecho, los materiales que llevaron a la revolución inicial del transistor fueron materiales simples. Ahora podemos diseñar elementos mucho más complejos. Si estas poderosas herramientas pueden revelar aspectos importantes que conducen a la propiedad deseada, deseamos poder hacer un material con esta propiedad.

 

Leave a Comment!