Модель сверхпроводимости из 100 000 уравнений теперь содержит всего 4 благодаря ИИ

Электроны, проносящиеся сквозь решетчатую решетку, ведут себя вовсе не как симпатичные серебряные шарики в автомате для игры в пинбол. Они расплываются и изгибаются в коллективном танце, следуя причудам волнообразной реальности, которую достаточно сложно представить, не говоря уже о вычислении.

И все же ученым удалось сделать именно это, зафиксировав движение движущихся электронов. о квадратной решетке в симуляциях, для создания которых до сих пор требовались сотни тысяч отдельных уравнений.

Используя искусственный интеллект (ИИ), чтобы сократить эту задачу до четырех уравнений, физики справились со своей задачей. изучения возникающих свойств сложных квантовых материалов стало намного проще.

При этом этот вычислительный подвиг может помочь решить одну из самых трудных проблем квантовой физики, проблему «многих электронов», который пытается описать системы, содержащие большое количество взаимодействующих электронов.

Он также может продвинуть воистину легендарный инструмент для предсказания поведения электронов в твердотельных материалах, модель Хаббарда, улучшая наше понимание того, как удобные фазы из материи, такой как сверхпроводимость.

Сверхпроводимость — это странное явление, возникающее, когда поток электронов беспрепятственно течет через материал, практически не теряя энергии при переходе из одной точки в другую. К сожалению, большинство практических средств создания такого состояния основаны на безумно низких температурах, если не на смехотворно высоких давлениях. Использование сверхпроводимости при температуре, близкой к комнатной, может привести к гораздо более эффективным электрическим сетям и устройствам.

Поскольку достижение сверхпроводимости в более разумных условиях остается благородной целью, физики начали использовать модели, чтобы предсказать, как электроны могут вести себя при различных условиях. обстоятельства, и, следовательно, какие материалы делают подходящие проводники или изоляторы.

Эти модели имеют свою работу для них. В конце концов, электроны не катаются по сети атомов, как крошечные шарики, с четко определенными позициями и траекториями. Их активность представляет собой беспорядок вероятности, на который влияет не только их окружение, но и история их взаимодействий с другими электронами, с которыми они столкнулись на пути.

Когда электроны взаимодействуют, их судьбы могут быть тесно переплетены, или «запутался». Моделирование поведения одного электрона означает одновременное отслеживание диапазона возможностей всех электронов в модельной системе, что экспоненциально усложняет вычислительную задачу.

Модель Хаббарда — это математическая модель, созданная десятилетиями и описывающая довольно точно путая движение электронов через решетку атомов. За прошедшие годы, к большому удовольствию физиков, обманчиво простая модель была экспериментально реализована в поведении широкого спектра сложных материалов.

С постоянно растущими вычислительными мощностями исследователи разработали численные модели, основанные на Физическая модель Хаббарда, которая позволяет им понять роль топологии базовой решетки.

Например, в 2019 году исследователи доказали, что модель Хаббла способна представлять сверхпроводимость выше, чем сверхвысокая. низких температурах, что дает исследователям зеленый свет на использование модели для более глубокого понимания области.

Это новое исследование может стать еще одним большим скачком, значительно упростив количество необходимых уравнений. Исследователи разработали алгоритм машинного обучения для усовершенствования математического аппарата, называемого ренормализационной группой, который физики используют для изучения изменений в материальной системе при изменении таких свойств, как температура.

«По сути, это машина, которая имеет способность обнаруживать скрытые закономерности», — говорит о программе, разработанной командой, физик и ведущий автор Доменико Ди Санте из Болонского университета в Италии.

«Мы начинаем с этого огромного объекта, состоящего из всех этих связанных… вместе дифференциальные уравнения», — каждое из которых представляет пары запутанных электронов, — «затем мы используем машинное обучение, чтобы превратить это в нечто настолько маленькое, что его можно пересчитать по пальцам», — говорит Ди Санте об их подходе.

Исследователи продемонстрировали, что их алгоритм, управляемый данными, может эффективно изучать и повторять динамику модели Хаббарда, используя всего несколько уравнений — четыре, если быть точным, — и без ущерба для точности.

«Когда мы увидели результат , мы сказали: «Вау, это больше, чем мы ожидали». Нам действительно удалось зафиксировать соответствующую физику», — говорит Ди Санте.

Обучение программы машинного обучения с использованием данных заняло недели, но Ди Санте и его коллеги говорят, что теперь ее можно адаптировать для работы с другими, дразнящими сжатыми данными. проблемы с материей.

Моделирование до сих пор охватывает лишь относительно небольшое количество переменных в решетчатой ​​сети, но исследователи ожидают, что их метод должен быть достаточно масштабируемым для других систем.

Если таким образом, в будущем его можно будет использовать для проверки пригодности проводящих материалов для приложений, включающих производство чистой энергии, или для помощи в разработке материалов, которые однажды могут обеспечить эту неуловимую сверхпроводимость при комнатной температуре.

На данный момент работа демонстрирует возможность использования ИИ. для извлечения компактных представлений динамических электронов, «a цель первостепенной важности для успеха передовых методов квантовой теории поля для решения проблемы многих электронов», — заключают исследователи в своем резюме.

Исследование было опубликовано в Physical Review Letters.