Τα βασικά σημεία του άρθρου
- Η Τεχνητή Νοημοσύνη μετέτρεψε ένα από τα πιο επίμονα προβλήματα της φυσικής συμπυκνωμένης ύλης σε έναν πλοηγήσιμο χάρτη. Ερευνητές χρησιμοποίησαν AI για να ταξινομήσουν εκατομμύρια καμπύλες μαγνητοαντίστασης σε 13 καθαρές κατηγορίες.
- Η μελέτη επικεντρώνεται στο ανώμαλο φαινόμενο Hall, ένα δεκαετιών πρόβλημα όπου η δημιουργία ενός ολοκληρωμένου χάρτη που συνδέει τις ηλεκτρονικές ιδιότητες με τις συμπεριφορές αντίστασης ήταν αδύνατη.
- Αυτή η ανακάλυψη θα μπορούσε να προσφέρει στους φυσικούς μια συντόμευση προς περιζήτητες καταστάσεις στην ηλεκτρονική, εντοπίζοντας περιοχές όπου ενδέχεται να εμφανιστεί το κβαντικό ανώμαλο φαινόμενο Hall.
Ένα και μόνο μοντέλο μηχανικής μάθησης μόλις μετέτρεψε ένα από τα πιο επίμονα προβλήματα της φυσικής συμπυκνωμένης ύλης σε έναν πλοηγήσιμο χάρτη.
Από το χάος των δεδομένων, σε 13 καθαρές κατηγορίες
Σε μελέτη που δημοσιεύθηκε στο περιοδικό National Science Review, ερευνητές με επικεφαλής το Πανεπιστήμιο του Ναντζίνγκ χρησιμοποίησαν την Τεχνητή Νοημοσύνη για να ταξινομήσουν εκατομμύρια καμπύλες μαγνητοαντίστασης σε 13 καθαρές κατηγορίες.
Στη συνέχεια, χαρτογράφησαν με ακρίβεια πώς η ρύθμιση των ηλεκτρονικών ιδιοτήτων ενός υλικού το ωθεί από τη μία συμπεριφορά στην άλλη. Η εργασία επικεντρώνεται στο ανώμαλο φαινόμενο Hall (Hall effect), ένα φαινόμενο δεκαετιών που καθορίζει τον τρόπο με τον οποίο τα ηλεκτρόνια κινούνται μέσα από ορισμένα μαγνητικά υλικά.
Αυτή η ανακάλυψη θα μπορούσε να προσφέρει στους φυσικούς μια συντόμευση προς μερικές από τις πιο περιζήτητες καταστάσεις στη σύγχρονη ηλεκτρονική.
Ένα πρόβλημα υπερβολικά περίπλοκο για να χαρτογραφηθεί με το χέρι
Το ανώμαλο φαινόμενο Hall εμφανίζεται όταν τα ηλεκτρόνια που κινούνται μέσα από ένα μαγνητικό υλικό παρουσιάζουν συμπεριφορά που ξεπερνά τις προβλέψεις του συμβατικού φαινομένου Hall. Η κλασική θεωρία του Drude προβλέπει ότι η αντίσταση μεταβάλλεται καθώς τα ηλεκτρόνια κινούνται μέσα σε ένα μαγνητικό πεδίο.
Τα συστήματα του ανώμαλου φαινομένου Hall παραβιάζουν αυτόν τον κανόνα, παράγοντας καμπύλες αντίστασης με διπλές κορυφές, πλατώ (σταθερές τιμές) και μη κορεσμένα σχήματα, τα οποία μεταβάλλονται ανάλογα με την ενεργειακή δομή ζωνών του υλικού και τον τρόπο σκέδασης των ηλεκτρονίων του.
Η πρόκληση γίνεται ακόμη μεγαλύτερη όταν πολλαπλές ενεργειακές ζώνες ηλεκτρονίων είναι ενεργές κοντά στη στάθμη Fermi. Κάθε επιπλέον παράμετρος αυξάνει τη δυσκολία ερμηνείας των καμπυλών αντίστασης που προκύπτουν και, μέχρι τώρα, η δημιουργία ενός ολοκληρωμένου χάρτη που να συνδέει τις ηλεκτρονικές ιδιότητες με τις συμπεριφορές αντίστασης ήταν αδύνατη.
Η ομάδα του Ναντζίνγκ ξεκίνησε να δημιουργήσει αυτόν ακριβώς τον χάρτη. Δημιούργησαν περισσότερες από 2,27 εκατομμύρια καμπύλες μαγνητοαντίστασης από ένα μοντέλο δύο ζωνών που κάλυπτε πέντε ηλεκτρονικές παραμέτρους.
Στη συνέχεια, “απέλυσαν” έναν αλγόριθμο μη επιβλεπόμενης μάθησης πάνω στο σύνολο δεδομένων, χωρίς καμία άλλη οδηγία πέρα από το να εντοπίσει το μοτίβο.
Ένας ωκεανός από εκατομμύρια καμπύλες
Κάθε καμπύλη στο σύνολο δεδομένων συμπτύχθηκε σε μόλις 13 ξεχωριστούς τύπους, ένα συμπέρασμα τόσο ξεκάθαρο που φάνηκε να εκπλήσσει ακόμη και τους ίδιους τους ερευνητές. Ένα εκπαιδευμένο νευρωνικό δίκτυο ανέλαβε τη σκυτάλη από εκεί, ταξινομώντας νέες καμπύλες σε αυτές τις ίδιες 13 κατηγορίες με ακρίβεια 99% και μετατρέποντας αυτό που κάποτε έμοιαζε με ένα ανεξέλεγκτο σύνολο δεδομένων σε κάτι που θυμίζει περισσότερο πρακτικό οδηγό.
Στη συνέχεια, η ομάδα δημιούργησε διαγράμματα φάσεων και τοπολογικά δίκτυα για να οπτικοποιήσει πώς η αλλαγή μίας και μόνο παραμέτρου θα μπορούσε να μετατοπίσει ένα υλικό από έναν τύπο καμπύλης αντίστασης σε έναν άλλον. Αντί για ένα στατικό διάγραμμα, το αποτέλεσμα μοιάζει περισσότερο με έναν διαδραστικό οδικό χάρτη· προσαρμόζεις μια ρύθμιση και μπορείς να δεις τη μετάβαση να συμβαίνει σε πραγματικό χρόνο.
Για να ελέγξουν αν όλα αυτά ευσταθούσαν εκτός ενός υπολογιστικού μοντέλου, οι ερευνητές δοκίμασαν το πλαίσιο εργασίας τους σε πραγματικές μετρήσεις από νανοφλοίδες Fe5GeTe2 ελεγχόμενες με ηλεκτρονική πύλη (gated) — ένα μαγνητικό υλικό του οποίου οι ιδιότητες μπορούν να ρυθμιστούν ηλεκτρικά.
Τα πειραματικά δεδομένα ταυτίστηκαν σε μεγάλο βαθμό με τα διαγράμματα φάσεων που δημιούργησε η τεχνητή νοημοσύνη, προσφέροντας στο μοντέλο μια βάση στον πραγματικό κόσμο και όχι απλώς σε θεωρητικό επίπεδο.
«Αυτή είναι μόνο η αρχή. Πιστεύουμε ότι αυτό το πλαίσιο εργασίας μπορεί να επεκταθεί σε ένα ευρύ φάσμα περίπλοκων μοντέλων και θα βοηθήσει στην αποκάλυψη πολλών ακόμη σύνθετων προβλημάτων στη φυσική συμπυκνωμένης ύλης», δήλωσε ο Hongtao Yuan, καθηγητής στο Πανεπιστήμιο του Ναντζίνγκ και ένας από τους συγγραφείς της μελέτης.
Ένας χάρτης που δείχνει προς μια Νέα Φυσική
Η σημασία αυτής της εργασίας εκτείνεται πέρα από την απλή ταξινόμηση. Τα διαγράμματα φάσεων υποδεικνύουν ποιοι συνδυασμοί παραμέτρων είναι πιθανό να παράγουν μεγάλη μαγνητοαντίσταση, συμπεριλαμβανομένης της γιγαντιαίας μαγνητοαντίστασης — ενός φαινομένου που χρησιμοποιείται ήδη στην τεχνολογία των σκληρών δίσκων.
Αυτοί οι χάρτες εντοπίζουν επίσης περιοχές όπου ενδέχεται να εμφανιστεί το κβαντικό ανώμαλο φαινόμενο Hall, μια κατάσταση κατά την οποία το ηλεκτρικό ρεύμα ρέει κατά μήκος των άκρων ενός υλικού χωρίς απώλεια ενέργειας λόγω αντίστασης.
Αυτού του είδους η αγωγιμότητα χωρίς απώλειες θεωρείται εδώ και καιρό ως ο απόλυτος στόχος για τα ηλεκτρονικά χαμηλής ισχύος, όμως ο εντοπισμός των στενών παραθυρίων παραμέτρων που την παράγουν βασιζόταν ιστορικά στη μέθοδο της δοκιμής και του σφάλματος.
Ένα διάγραμμα φάσεων που προβλέπει εκ των προτέρων αυτά τα παράθυρα μετατρέπει την αναζήτηση από παιχνίδι εικασιών σε στοχευμένη διαδικασία.
«Το μοντέλο μας παρέχει ένα πλαίσιο για την ολοκληρωμένη αντιμετώπιση της περίπλοκης συμπεριφοράς της μαγνητοαντίστασης στα συστήματα του ανώμαλου φαινομένου Hall, και χρησιμεύει ως πλατφόρμα για την πρόβλεψη περιοχών παραμέτρων που ενδέχεται να φιλοξενούν ενδιαφέροντα κβαντικά φαινόμενα, όπως η γιγαντιαία μαγνητοαντίσταση», δήλωσε ο Ganyu Chen, ένας εκ των συγγραφέων της μελέτης.
Η ομάδα αντιμετωπίζει το μοντέλο των δύο ζωνών ως αφετηρία και όχι ως ένα έτοιμο, ολοκληρωμένο εργαλείο. Σημειώνουν ότι η ίδια προσέγγιση μηχανικής μάθησης θα μπορούσε να επεκταθεί σε πιο περίπλοκα συστήματα πέρα από τους σιδηρομαγνήτες, συμπεριλαμβανομένων των τοπολογικών μονωτών και των υπεραγώγιμων επαφών — περιοχές της φυσικής που έχουν τους δικούς τους περίπλοκους, πολυδιάστατους χώρους παραμέτρων, οι οποίοι περιμένουν ακόμη τον δικό τους χάρτη.
Το αν τα μοντέλα φάσεων που δημιουργούνται από την τεχνητή νοημοσύνη μπορούν να συμβαδίσουν με αυτή την πρόσθετη πολυπλοκότητα, ή αν ορισμένα από αυτά τα συστήματα θα απαιτήσουν εντελώς νέες στρατηγικές μοντελοποίησης, παραμένει ένα ανοιχτό ερώτημα που ο επιστημονικός κλάδος μόλις τώρα αρχίζει να δοκιμάζει.