Conduce elettricità? O isolare dall'elettricità? I fisici classificano comunemente le fasi materiali come l'una o l'altra. L'apprendimento automatico è un potente strumento per il riconoscimento dei modelli e quindi potrebbe aiutare a identificare le fasi della materia. Però, l'apprendimento automatico ha bisogno di un ponte verso il mondo quantistico, dove la fisica degli atomi, elettroni, e le particelle differiscono da quelle di oggetti o galassie più grandi. Ora, gli scienziati hanno fornito un ponte, che chiamano la tecnica della topografia del ciclo quantistico. Questo è un algoritmo di apprendimento automatico basato su reti neurali. Rileva con alta efficienza una fase esotica in cui l'elettricità è condotta intorno alla superficie del materiale ma non attraverso il centro. Anche, distingue tra isolanti normali e questi isolanti topologici esotici.

Trovare rapidamente fasi topologiche esotiche è vitale per nuove, computer ultrapotenti. Trovare la fase isolante in questa ricerca è solo l'inizio per questa tecnica. La tecnica collega le reti neurali alla teoria del mondo quantistico. Il mondo quantistico porta spesso a proprietà incredibili che potrebbero liberare potenti, elettronica ad alta efficienza energetica. Questa tecnica offre agli scienziati gli strumenti per trovare e mappare altre fasi esotiche più velocemente.

C'è un crescente interesse nello sfruttare l'apprendimento automatico per rispondere a domande sulla fisica della materia condensata, come metalli e isolanti, incluso come comprendere le interazioni di molti elettroni. I sistemi quantistici possono avere spazi di parametri esponenzialmente grandi simili a grandi set di dati di immagini o analisi dei dati dei consumatori. Perciò, Si potrebbero anche addestrare algoritmi di apprendimento automatico basati su reti neurali per identificare le fasi quantistiche. Allenarsi su così tante informazioni è difficile. Però, le informazioni rilevanti sono molto più piccole. La sfida chiave è estrarre le informazioni essenziali dalla densità elettronica (ovvero la funzione d'onda a molti corpi).

In questo studio, gli scienziati della Cornell University hanno affrontato con successo questa sfida. Hanno estratto i dati essenziali utilizzando un ponte di topografia a loop quantistico. Nell'applicare questo ponte quantistico, un'immagine multidimensionale è formata da regioni triangolari, o loop, nel profilo di densità elettronico. Le firme per la definizione della fase guidano la configurazione del loop. La firma era di un tipo particolare chiamato conducibilità di Hall. Gli scienziati hanno quindi alimentato le immagini multidimensionali a una rete neurale completamente connessa con un singolo strato nascosto.

Gli scienziati hanno dimostrato che la rete neurale potrebbe essere addestrata in modo efficace per distinguere gli isolanti topologici (ad esempio, isolante Chern e isolante Chern frazionario) da normali isolanti ad alta fedeltà e notevole accelerazione rispetto ai metodi standard. Essenzialmente hanno interfacciato le reti neurali e il riconoscimento delle immagini con la teoria della materia condensata. In tal modo la topografia del ciclo quantistico ha superato la "miopia topologica degli algoritmi di apprendimento automatico basati su reti neurali" (punto di vista dell'American Physical Society). Questo risultato apre la strada a una più rapida identificazione dell'ordine topologico e all'ottenimento di più diagrammi di fase di materiali esotici.