埃默里大学：新的AI工具可以加快对高级超导体的探索

来源：Emory University 作者：Xu Chen

发表在《Newton》上的一项新研究发现，使用AI可以将识别材料中复杂量子相位的时间从几个月缩短到几分钟。这一突破可以大大加快对量子材料的研究，特别是低维超导体。

这项研究由埃默里大学的理论家和耶鲁大学的实验家领导。高级作者包括埃默里大学化学系助理教授Fang Liu和Yao Wang，以及耶鲁大学应用物理系助理教授Yu He。

该团队应用机器学习技术来检测明显的光谱信号，这些信号表明量子材料中的相变——电子被强烈纠缠的系统。众所周知，这些材料很难用传统物理学进行建模，因为它们具有不可预测的波动。

该研究的第一作者、埃默里大学化学博士生Xu Chen说：“我们的方法提供了非常复杂的快速的和准确的快照，几乎不需要任何成本。”“我们希望这能大大加快超导领域的发现。”

将机器学习应用于量子材料的挑战之一是缺乏训练模型所需的足够高质量实验数据。为了克服这一点，研究人员使用高通量模拟来生成大量数据。然后，他们将这些模拟结果与少量实验数据相结合，以创建一个强大而高效的机器学习框架。

“这就像训练自动驾驶汽车，”Liu解释道。“你可能会在亚特兰大广泛测试它们，但你希望它们在New Haven或其他地方可靠地表现。因此，问题是：我们如何让学习既可转让又可理解？”

他们的框架允许机器学习模型通过应用从模拟中获得的见解来识别实验数据中的阶段——即使只是从单个频谱快照中。这种方法解决了科学机器学习中有限实验数据的持续挑战，并为量子材料和分子系统探索更快、更可扩展打开了大门。

这项研究的其他贡献者包括克莱姆森大学前本科生Yuanjie Sun；埃默里大学前博士后研究员Eugen Hruska；克莱姆森大学前博士后研究员Vivek Dixit；以及耶鲁大学博士生Jinming Yang。

量子波动：天使和恶魔

量子材料是一种特殊的材料，其中电子和原子等粒子的行为方式与经典物理学有违。他们最吸引人的特征之一是一种叫做纠缠的量子现象，其中粒子在很远的距离上相互影响。一个流行的类比是薛定谔的猫——一个思想实验，其中猫可以同时活着和死。在量子材料中，电子可以表现相似，集体而不是单独作用。

这些不寻常的相关性，或者更准确地说，波动，是赋予量子材料其显著特性的原因。最著名的例子之一是在氧化铜化合物或铜酸盐中发现的高温超导性，在特定条件下，电力在没有电阻的情况下流动。

但是，虽然波动通常伴随着这些强大的属性，但它们也使许多物理属性难以理解、测量和设计。识别材料中相变的传统方法依赖于所谓的光谱间隙——打破超导电子对所需的能量。然而，在波动强烈的系统中，这种方法会崩溃。

“相反，是数十亿个超导电子或量子’相位’之间的全球协调水平支配着过渡，”他最近发表了一项研究，揭示了这种影响的广泛程度。

Wang补充说：“这就像搬到另一个国家，那里每个人都说不同的语言——你不能只依赖以前有效的东西。”

这意味着科学家无法仅仅通过观察光谱间隙来轻易确定过渡温度——超导启动的点。找到更好的方法来表征这些过渡对于有效地发现新的量子材料并为现实世界应用设计它们至关重要。

高温超导

超导性——某些材料在零能量损失的电感下导电的能力——是量子物理学中最迷人的现象之一。它是在1911年发现的，当时科学家发现汞在4开尔文（-452°F）时完全失去了电阻，这个温度比我们太阳系中的任何自然地方都低。

直到1957年，科学家们才能够充分解释超导是如何运作的。在日常温度下，材料中的电子独立移动，并经常与原子碰撞，在这个过程中损失能量。但在极低的温度下，电子可以组队形成一种新的物质状态。在这种配对状态下，它们以完美的同步移动，就像精心编排的舞蹈一样，让电在没有阻力的情况下流动。

1986年，随着铜酸超导体的发现，取得了重大突破。这些材料可以在高达130开尔文（-211°F）的温度下超导，虽然仍然寒冷，但足够温暖，可以使用廉价的液氮达到。这使超导的实际应用更加现实。

然而，铜酸盐属于量子材料类别，电子的行为受纠缠和强量子波动的支配。这些物质阶段很复杂，用传统理论很难预测，这使得它们既令人兴奋又具有挑战性。

今天，世界各地的科学家都在竞相释放超导体的全部潜力。最终目标是创造出在室温下可以超导的材料。如果成功，这可以彻底改变从电网到计算的一切——让电力以完美的效率流动，没有热量或浪费。

一种新的方法

研究人员希望使用机器学习模型来克服这一障碍。

然而，机器学习模型需要对大量标记数据进行训练，以学习如何有效地区分特定特征和周围噪音。当然，关于相关材料中相变的实验数据量很少。

研究人员采用域对抗神经网络（DANN）的方法，这种图像识别训练方法类似于自动驾驶汽车背后的技术。与其将数百万张猫的图像输入到机器学习模型中，不如识别和提取猫的关键特征更实用。例如，显示猫基本特征的简单、模拟的3D图像可以从许多不同的角度拍摄，以捕捉训练模型识别真实猫所需的合成数据。

Chen说：“同样，通过模拟热力学相变的基本特征的数据，我们可以训练一个机器学习模型来识别它。”“这开辟了很多新空间，我们可以比通过现实生活中的实验更快地探索。只要我们了解系统中的关键特征，我们就能快速生成数千张图像来训练机器学习模型来识别这种模式。”

他补充说，这些模式直接适用于探测真实实验光谱的超导相。

他们新颖的数据驱动方法利用相关材料的有限实验光谱数据，将其与大量模拟数据相结合。模型中使用的相变的关键特征使其背后的AI决策过程透明且可解释。

验证模型

耶鲁大学物理学家团队通过用铜酸盐进行实验测试了机器学习模型。结果表明，该方法可以以近98%的准确率区分超导相和非超导相。

与传统的机器学习、光谱学中的辅助特征提取不同，新方法根据能量间隙内的特征光谱特征确定相变，使其更加稳健，可推广到一系列材料。这提高了模型对高吞吐量分析的潜力。

通过展示机器学习克服数据实验限制的力量，这项工作克服了量子材料研究中长期存在的挑战，为更快的发现扫清了道路，这些发现可能会影响从节能电子产品到下一代计算的一切。

这项工作由美国空军科学研究办公室资助。能源部和国家科学基金会，以及耶鲁大学校长办公室的种子赠款。