Uno schema che illustra come viene utilizzata una rete neurale per abbinare i dati dalla microscopia a scansione di tunnel a un'ipotesi teorica. Credito:Cornell University
Comprendere il comportamento intricato degli elettroni ha portato a scoperte che hanno trasformato la società, come la rivoluzione nell'informatica resa possibile dall'invenzione del transistor.
Oggi, grazie ai progressi della tecnologia, il comportamento degli elettroni può essere studiato molto più a fondo che in passato, potenzialmente consentendo scoperte scientifiche che cambiano il mondo come il personal computer. Però, i dati generati da questi strumenti sono troppo complessi da interpretare per gli esseri umani.
Un team guidato da Cornell ha sviluppato un modo per utilizzare l'apprendimento automatico per analizzare i dati generati dalla microscopia a scansione a effetto tunnel (STM), una tecnica che produce immagini su scala subatomica dei movimenti elettronici nelle superfici dei materiali a diverse energie, fornire informazioni irraggiungibili con qualsiasi altro metodo.
"Alcune di quelle immagini sono state scattate su materiali che sono stati ritenuti importanti e misteriosi per due decenni, " disse Eun-Ah Kim, professore di fisica. "Ti chiedi che tipo di segreti sono sepolti in quelle immagini. Vorremmo svelare quei segreti."
Kim è autore senior di "Machine Learning in Electronic Quantum Matter Imaging Experiments, "che ha pubblicato in Natura 19 giugno. I primi autori sono Yi Zhang, ex ricercatore post-dottorato nel laboratorio di Kim e ora all'Università di Pechino in Cina, e Andrej Mesaros, un ex ricercatore post-dottorato nel laboratorio di Kim ora all'Université Paris-Sud in Francia.
I coautori includono J.C. Séamus Davis, James Gilbert White Distinguished Professor di Cornell nelle scienze fisiche, un innovatore negli studi guidati da STM.
La ricerca ha fornito nuove informazioni su come interagiscono gli elettroni e ha mostrato come l'apprendimento automatico può essere utilizzato per guidare ulteriori scoperte nella fisica quantistica sperimentale.
A scala subatomica, un dato campione includerà trilioni di trilioni di elettroni che interagiscono tra loro e con l'infrastruttura circostante. Il comportamento degli elettroni è determinato in parte dalla tensione tra le loro due tendenze in competizione:muoversi, associata all'energia cinetica; e stare lontani gli uni dagli altri, associata all'energia di interazione repulsiva.
In questo studio, Kim e collaboratori hanno deciso di scoprire quale di queste tendenze è più importante in un materiale superconduttivo ad alta temperatura.
Sfondo:un'immagine dell'esperimento reale della densità elettronica da uno dei microscopi del gruppo. Riquadro:l'architettura di ANN che è stata addestrata a "guardare" tali immagini e riportare quali stati della materia elettronica sono nascosti al loro interno. Credito:JC Séamus Davis
Utilizzando STM, gli elettroni passano attraverso il vuoto tra la punta conduttrice del microscopio e la superficie del campione in esame, fornendo informazioni dettagliate sul comportamento degli elettroni.
"Il problema è, quando prendi dati del genere e li registri, ottieni dati simili a immagini, ma non è un'immagine naturale, come una mela o una pera, " ha detto Kim. I dati generati dallo strumento sono più simili a uno schema, lei disse, e circa 10, 000 volte più complicata di una curva di misurazione tradizionale. "Non abbiamo un buon strumento per studiare questo tipo di set di dati".
Per interpretare questi dati, i ricercatori hanno simulato un ambiente ideale e aggiunto fattori che avrebbero causato cambiamenti nel comportamento degli elettroni. Hanno quindi addestrato una rete neurale artificiale, una sorta di intelligenza artificiale in grado di apprendere un compito specifico utilizzando metodi ispirati al funzionamento del cervello, per riconoscere le circostanze associate a diverse teorie. Quando i ricercatori inseriscono i dati sperimentali nella rete neurale, ha determinato a quale delle teorie i dati reali assomigliavano di più.
Questo metodo, Kim ha detto, ha confermato l'ipotesi che l'energia di interazione repulsiva fosse più influente nel comportamento degli elettroni.
Una migliore comprensione di quanti elettroni interagiscono su materiali diversi e in condizioni diverse porterà probabilmente a ulteriori scoperte, lei disse, compreso lo sviluppo di nuovi materiali.
"I materiali che hanno portato alla rivoluzione iniziale dei transistor erano in realtà materiali piuttosto semplici. Ora abbiamo la capacità di progettare materiali molto più complessi, " ha detto Kim. "Se questi potenti strumenti possono rivelare aspetti importanti che portano a una proprietà desiderata, vorremmo essere in grado di realizzare un materiale con quella proprietà."
