Tek bir makine öğrenimi modeli yoğun madde fiziğinin en önemlilerinden birine dönüştü kalıcı gezinilebilir bir soruna dönüşüyor harita.
İçinde bir çalışma şurada yayınlandı Ulusal Bilim İncelemesi, liderliğindeki araştırmacılar Nanjing Üniversitesi kullanılmış yapay zeka Milyonlarca magnetorezistans eğrisini 13 net kategoriye ayırıp bir malzemenin manyetik direncinin tam olarak nasıl ayarlandığının grafiğini çıkardık. elektronik özellikler onu birinden iter davranış diğerine.
Çalışma şunları hedefliyor anormal Hall etkisionlarca yıllık bir fenomen bu nasıl yönetilir elektronlar belirli bir şekilde ilerlemek manyetik Bu, fizikçilere modern dünyada en çok aranan durumların bazılarına kısayol sağlayabilir. elektronik.
Elle Haritalanamayacak Kadar Karmaşık Bir Sorun
Anormal Hall etkisi, manyetik bir malzeme içerisinde hareket eden elektronlar, geleneksel Hall etkisinin tahminlerinin ötesinde bir davranış sergilediğinde ortaya çıkar. Standart Drude teorisi, elektronlar manyetik alan boyunca hareket ettikçe direncin değişmesi gerektiğini öngörüyor. Anormal Hall sistemleri, malzemenin bant yapısına ve elektronların saçılma şekline göre değişen çift tepeli, platolu ve doymamış şekillere sahip direnç eğrileri üreterek bu kuralı çiğniyor.
Fermi seviyesinin yakınında birden fazla elektron enerji bandı aktif olduğunda zorluk daha da büyüyor. Her ek parametre, ortaya çıkan direnç eğrilerinin yorumlanmasının zorluğunu arttırmaktadır ve şimdiye kadar elektronik özellikleri direnç davranışlarına bağlayan kapsamlı bir harita oluşturmak mümkün olmamıştır.
Nanjing ekibi bu haritayı oluşturmak için yola çıktı. Beş elektronik parametreyi kapsayan iki bantlı bir modelden 2,27 milyondan fazla magnetorezistans eğrisi ürettiler, ardından modeli bulmanın ötesinde hiçbir talimat olmadan veri kümesinde denetimsiz bir algoritmayı serbest bıraktılar.
Milyonlarca Eğri
Veri kümesindeki her eğri yalnızca 13 farklı türe ayrıldı; bu o kadar kesin bir karardı ki araştırmacılar bile şaşırmış görünüyordu. Eğitimli bir sinir ağı oradan görevi devraldı, yeni eğrileri %99 doğrulukla aynı 13 kategoriye ayırdı ve ele avuca sığmaz bir veri kümesi gibi görünen şeyi bir alan kılavuzuna daha yakın bir şeye dönüştürdü.
Daha sonra ekip, yalnızca bir parametrenin değiştirilmesinin bir malzemeyi bir tür direnç eğrisinden diğerine nasıl değiştirebileceğini görselleştirmek için faz diyagramları ve topolojik ağlar oluşturdu. Sonuç, sabit bir grafik yerine daha çok etkileşimli bir yol haritasına benziyor; Bir ayarı değiştirdiğinizde geçişin gerçek zamanlı olarak gerçekleştiğini görebilirsiniz.
Bunlardan herhangi birinin bir bilgisayar modelinin dışında tutulup tutulmadığını kontrol etmek için araştırmacılar, çerçevelerini, özellikleri elektriksel olarak ayarlanabilen manyetik bir malzeme olan geçitli Fe5GeTe2 nanoflakelerinden alınan gerçek ölçümlerle karşılaştırarak test etti. Deneysel veriler, yapay zeka tarafından oluşturulan faz diyagramlarıyla yakından eşleşti ve modele tamamen teorik bir model yerine gerçek dünyaya ait bir dayanak sağladı.
Nanjing Üniversitesi profesörü ve çalışmanın yazarı Hongtao Yuan, “Bu sadece başlangıç. Bu çerçevenin çok çeşitli karmaşık modelleri kapsayacak şekilde genişletilebileceğine ve yoğun madde fiziğindeki çok daha karmaşık sorunların ortaya çıkarılmasına yardımcı olacağına inanıyoruz” dedi.
Yeni Fiziğe İşaret Eden Harita
Bu çalışmanın önemi sınıflandırmanın ötesine uzanmaktadır. Faz diyagramları, sabit disk teknolojisinde hâlihazırda kullanılan bir olgu olan devasa manyetodirenç de dahil olmak üzere, hangi parametre kombinasyonlarının büyük manyetodirenç üretebileceğini gösterir. Bu haritalar aynı zamanda kuantum anormal Hall etkisinin oluşabileceği bölgeleri de tanımlar; bu durum, bir elektrik akımının, direnç nedeniyle enerji kaybı olmadan bir malzemenin kenarları boyunca aktığı bir durumdur.
Bu tür kayıpsız iletim uzun süredir düşük güçlü elektronikler için bir hedef olarak görülüyordu, ancak bunu üreten dar parametre pencerelerinin belirlenmesi tarihsel olarak deneme yanılma yöntemine dayanıyordu. Bu pencereleri önceden tahmin eden bir aşama diyagramı, aramayı tahminden hedeflemeye dönüştürür.
Çalışmanın yazarı Ganyu Chen, “Modelimiz, anormal Hall sistemlerindeki karmaşık manyetik direnç davranışını kapsamlı bir şekilde ele almak için bir çerçeve sağlıyor ve dev manyetor direnç gibi ilgi çekici kuantum fenomenlerine ev sahipliği yapabilecek parametre bölgelerini tahmin etmek için bir platform görevi görüyor” dedi.
Ekip, iki bantlı modeli bitmiş bir araçtan ziyade bir başlangıç noktası olarak çerçeveliyor. Aynı makine öğrenimi yaklaşımının, ferromıknatısların ötesinde, topolojik yalıtkanlar ve süper iletken kavşaklar da dahil olmak üzere daha karmaşık sistemlere, kendi karmaşık, yüksek boyutlu parametre uzaylarına sahip olan ve hala bir harita bekleyen fizik alanlarına kadar uzanması gerektiğini belirtiyorlar. Yapay zeka tarafından oluşturulan aşama modellerinin bu artan karmaşıklığa ayak uydurup ayak uyduramayacağı veya bu sistemlerden bazılarının tamamen yeni modelleme stratejileri gerektirip gerektirmeyeceği, alanın henüz test etmeye başladığı açık bir soru olmaya devam ediyor.
Austin Burgess, satış, pazarlama ve veri analitiği konularında geçmişi olan bir yazar ve araştırmacıdır. MBA derecesine, İşletme alanında Lisans Diplomasına ve veri analitiği sertifikasına sahiptir. Çalışmaları, ortaya çıkan biyoloji, bilişsel sinir bilimi ve arkeolojik keşiflere vurgu yaparak bilimsel gelişmeleri kırmaya odaklanıyor.
Source link
