(a) Struttura atomica di Dy 2 Ti 2 oh 7 composto da tetraedri di ioni magnetici disprosio (blu) e ottaedri non magnetici di ioni ossigeno (rosso) che circondano gli ioni di titanio (ciano). (b) I momenti magnetici localizzati sugli ioni disprosio sono vincolati dalle interazioni del campo cristallino a puntare all'interno o all'esterno dei tetraedri. Formano un angolo che condivide il reticolo del pirocloro. I percorsi del vicino più prossimo (1), Il prossimo più vicino (2) e due interazioni non equivalenti del prossimo più vicino (3 e 3′) sono mostrate come linee colorate spesse. Credito:Alan Tennant, ORNL
Gli scienziati cercano di utilizzare materiali quantistici, quelli che hanno un ordine correlato a livello subatomico, per dispositivi elettronici, computer quantistici, e superconduttori. I materiali quantistici devono molte delle loro proprietà alla fisica che sta accadendo sulle scale più piccole, fisica che è completamente meccanica quantistica.
Alcuni materiali, come materiali magnetici complessi, condividere punti in comune con i materiali quantistici, e gli scienziati possono studiarli nel tentativo di dare un senso migliore ai materiali quantistici e comprendere la loro capacità di esistere in molte diverse configurazioni elettroniche. Comprendere le interazioni che si verificano all'interno di materiali magnetici sia quantistici che complessi, però, richiede metodi investigativi rigorosi.
Uno di questi metodi è lo scattering di neutroni, in cui particelle neutre chiamate neutroni vengono disperse da un materiale per scoprire le sue proprietà microscopiche dalle interazioni risultanti. Però, ricostruire la struttura e le proprietà di un materiale si rivela impegnativo, anche per esperti stagionati.
Per la prima volta, un team dell'Oak Ridge National Laboratory (ORNL) del Dipartimento dell'Energia degli Stati Uniti (DOE) sta utilizzando l'intelligenza artificiale (AI) per trovare modelli nei dati di diffusione dei neutroni che possono portare a una comprensione della fisica all'interno di materiali magnetici quantistici o complessi. Guidato da Alan Tennant, Responsabile dell'iniziativa per i materiali quantistici presso l'ORNL, il team ha recentemente addestrato una rete neurale artificiale (ANN) per interpretare con successo i dati di un esperimento di diffusione di neutroni eseguito presso la Spallation Neutron Source (SNS) dell'ORNL. Il team ha addestrato la rete alimentandola con i dati delle simulazioni di diffusione di neutroni eseguite sui sistemi dell'Oak Ridge Leadership Computing Facility (OLCF), incluso il Cray XK7 Titan dismesso del centro. Una delle macchine più potenti del suo tempo, Titan continua a fornire alla comunità scientifica nuove scoperte anche dopo il suo ritiro lo scorso autunno.
"Prima, quando faresti un esperimento, non eri del tutto sicuro di aver ottenuto il risultato giusto, " ha detto Tennant. "Con questa rete neurale, possiamo essere fiduciosi nella risposta grazie alla vasta formazione che la rete ha dovuto seguire. Di tutti i possibili casi che incontra, può trovare la soluzione ottimale."
La rete può rivelare nuove informazioni sugli attuali esperimenti di diffusione di neutroni e persino fornire informazioni su quali esperimenti sarebbero più utili da eseguire in futuro.
I risultati dello studio sono stati recentemente pubblicati in Comunicazioni sulla natura , e il team sta continuando il lavoro sull'IBM AC922 Summit da 200 petaflop dell'OLCF, il supercomputer più potente del mondo.
Oltre l'umano
Quando gli scienziati eseguono esperimenti di diffusione di neutroni presso SNS, devono tenere conto dei numerosi scenari possibili che potrebbero aver modellato il modello di dispersione. Decifrare i neutroni che si disperdono nel materiale diventa un enigma, e gli esseri umani che hanno una vasta esperienza con i dati di dispersione dei neutroni sono stati tradizionalmente utilizzati per formare ipotesi fattibili sulla struttura del materiale in base ai modelli di dispersione che vedono.
I ricercatori che eseguono questi esperimenti possono in genere elaborare molti scenari diversi per l'Hamiltoniana di un materiale, l'espressione dell'energia del materiale che ne descrive completamente le proprietà. Ma non possono assolutamente spiegare ognuno di essi, specialmente in materiali come gli spin ice. Ghiaccioli, analoghi magnetici dei ghiacci, si pensa che possiedano stati magnetici esotici in cui i poli magnetici nord e sud possono separarsi e comportarsi in modo indipendente, qualcosa che altri magneti non sono in grado di fare. La determinazione delle interazioni sottostanti in questi materiali si è rivelata molto impegnativa, però.
Formazione di una ANN, un tipo di apprendimento automatico in grado di analizzare modelli nei dati e opera in modo simile alle reti neurali in un cervello umano, è una possibile soluzione.
"Gli esseri umani non possono mai attraversare tutti gli scenari, perché ci sono sempre quelli a cui non hai mai pensato, " disse Anjana Samarakoon, un ricercatore associato post-dottorato presso l'ORNL che ha lavorato a stretto contatto con Tennant sul progetto. "Ma un computer può analizzare centinaia di migliaia di scenari e riassumere le informazioni per te. E così diventa una specie di affidabile, risolve uno dei tuoi grandi problemi".
Il team ha addestrato un codificatore automatico, un tipo di ANN spesso utilizzato per comprimere e ricreare immagini, utilizzando decine di migliaia di simulazioni (più di 50 miliardi di calcoli) sulle risorse di supercalcolo presso l'OLCF, un DOE Office of Science User Facility presso ORNL. Il team è stato in grado di simulare molti più scenari di quanti un essere umano sia in grado di esaminare. Il team ha anche scoperto che l'ANN filtra il rumore sperimentale per estrarre solo le informazioni più importanti dai dati di diffusione grezzi per ricreare la struttura di un materiale.
"Fa quello che fa un esperto, ma fa qualcosa di molto oltre, " Disse Samarakoon. "Questo può fare diecimila modelli invece dei semplici 100 o giù di lì che un essere umano può fare".
Misteri del vetro
Dopo che i ricercatori lo hanno addestrato, la ANN potrebbe confrontare i dati simulati con i dati sperimentali di scattering registrati dallo strumento CORELLI al SNS, che è progettato per sondare il disordine in materiali come il vetro. La ANN ha catturato con precisione i dati per 1, 024 siti nel materiale Dy 2 Ti 2 oh 7 , un ghiacciolo rotante che ha proprietà simili al vetro a basse temperature.
"Non conosciamo la fisica alla base del perché gli occhiali funzionano, " ha detto Tennant. "Ma questo materiale si presta allo studio grazie alla straordinaria matematica che possiamo usare per capirlo. Oak Ridge è un luogo in cui possiamo davvero fare ricerca su questo tipo di materiali complessi".
Il team ha utilizzato il Compute and Data Environment for Science (CADES) dell'ORNL in combinazione con i sistemi dell'OLCF per un'ulteriore analisi delle simulazioni. Dopo aver addestrato la rete con le simulazioni, alla fine ha determinato un modello hamiltoniano per descrivere le proprietà magnetiche del materiale, compreso il punto in cui si trasforma in qualcosa di simile al vetro.
Ora, il team sta addestrando reti neurali più profonde su Summit per comprendere ulteriormente i materiali quantistici simili al vetro.
"Siamo stati in grado di fare tutte le simulazioni di cui avevamo bisogno per gli esempi di formazione presso l'OLCF, " Disse Samarakoon. "Con Summit, possiamo gestire reti ancora più profonde in un modo più interattivo ed esplorare ancora più incognite".
