مدل ابررسانایی با 100 هزار معادله اکنون به یاری هوش مصنوعی فقط 4 معادله دارد - وبلاگ گپ و گفتگو

به گزارش وبلاگ گپ و گفتگو، الکترون هایی که از میان شبکه ها گذر می کنند، اصلاً مانند کره های نقره ای زیبا در یک ماشین بازی عمل نمی کنند. آن ها در پایکوبی های جمعی تار می شوند و خم می شوند، تازه اگر ماهیت موج مانند آنها را در نظر بگیرید، تصورشان هم سخت است، چه برسد به محاسبه عملکردشان.

با این حال، دانشمندان در انجام این کار پیروز شده اند، و حرکت الکترون هایی را که در اطراف یک شبکه مربعی حرکت می کنند را توانسته اند به تصویر برکشند. این شبیه سازی ها تا حال حاضر نیاز به صد ها هزار معادله داشت.

اما فیزیکدانان با استفاده از هوش مصنوعی (AI) برای کاهش این کار به تنها چهار معادله، کار خود را برای مطالعه ویژگی های نوظهور مواد کوانتومی پیچیده متمرکز کرده اند.

این شاهکار محاسباتی می تواند به حل یکی از حل نشدنی ترین مسائل فیزیک کوانتومی، مسأله الکترون های متعدد کمک کند، که تلاش می کند سیستم های حاوی تعداد زیادی الکترون برهم کنشی را توصیف کند.

همچنین می تواند یک ابزار واقعاً افسانه ای برای پیش بینی رفتار الکترون در مواد حالت جامد، یعنی مدل هابارد در اختیارمان قرار دهد و درک ما از ابررسانایی، بهتر کند.

ابررسانایی پدیده عجیبی است که زمانی پدید می آید که جریانی از الکترون ها بدون مانع از یک ماده عبور می کند و در حین لغزش از نقطه ای به نقطه دیگر، انرژی خود را از دست نمی دهد. متأسفانه بیشتر ابزار های عملی برای ایجاد چنین حالتی به دما های بسیار پایین متکی هستند. اگر ابررساناییدر دمایی نزدیک به دمای اتاق ممکن می شد، می توانست به شبکه ها و دستگاه های برق بسیار کارآمدتر منجر شود.

از آنجایی که دستیابی به ابررسانایی در شرایط معقول تر همچنان یک هدف عالی است، فیزیکدانان به استفاده از مدل هایی برای پیش بینی اینکه الکترون ها در شرایط مختلف چگونه رفتار می کنند و بنابراین کدام مواد رسانا یا عایق مناسب می سازند، استفاده کرده اند.

هنگامی که الکترون ها برهم کنش می کنند، سرنوشت آن ها می تواند کاملاً در هم تنیده یا درهم شود. شبیه سازی رفتار یک الکترون به معنای ردیابی دامنه احتمالات همه الکترون ها در یک سیستم مدل به طور همزمان است که چالش محاسباتی را به طور تصاعدی سخت تر می کند.

مدل هابارد Hubbard یک مدل ریاضی با قدمت چند دهه است که حرکت گیج کننده الکترون ها را از طریق شبکه ای از اتم ها تا حدودی دقیق توصیف می کند.

با افزایش روزافزون قدرت رایانه، محققان شبیه سازی های عددی مبتنی بر فیزیک مدل هابارد را توسعه داده اند که به آن ها اجازه می دهد تا به نقش توپولوژی شبکه زیرین دست پیدا کنند.

به عنوان مثال، در سال 2019، محققان ثابت کردند که مدل هابل قادر به نمایش دمای فوق رسانایی بالاتر از دمای فوق العاده سرد است و به محققان چراغ سبز نشان می دهد تا از این مدل برای بینش عمیق تر در این زمینه استفاده کنند.

این مطالعه نو می تواند جهش بزرگ دیگری باشد که تعداد معادلات مورد نیاز را تا حد زیادی ساده می کند. محققان یک الگوریتم یادگیری ماشینی را برای اصلاح یک دستگاه ریاضی به نام یک گروه عادی سازی مجدد توسعه داده اند.

محققان نشان دادند که الگوریتم مبتنی بر داده آن ها می تواند به طور مؤثر دینامیک مدل هابارد را یاد بگیرد و خلاصه کند، آن هم تنها با استفاده از تعداد انگشت شماری معادله - به طور دقیق چهار - و بدون کاهش دقت.

آموزش برنامه یادگیری ماشین با استفاده از داده ها هفته ها به طول انجامید، اما دی سانته و همکارانش می گویند که اکنون می توان آن را برای کار بر روی سایر مسائل وسوسه انگیز ماده متراکم تطبیق داد.

شبیه سازی ها تا به امروز تنها تعداد نسبتاً کمی از متغیر ها را در شبکه شبکه به تصویر می کشند، اما محققان انتظار دارند روش آن ها نسبتاً مقیاس پذیر برای سایر سیستم ها باشد.

اگر چنین باشد، در آینده می توان از آن برای بررسی مناسب بودن مواد رسانا برای کاربرد هایی که شامل تولید انرژی پاک می شود، یا برای کمک به طراحی موادی استفاده کرد که ممکن است روزی آن ابررسانایی دمای اتاق را ارائه دهند.

محققان خاطرنشان می کنند که آزمایش واقعی این است که این روش روی سیستم های کوانتومی پیچیده تر مانند موادی که در آن ها الکترون ها در فواصل طولانی برهم کنش می کنند، چقدر دقت خواهد داشت.

این تحقیق در Physical Review Letters منتشر شده.