机器学习揭开了量子物理学的神秘面纱

了解电子错综复杂的行为已经导致了改变社会的发现，例如通过晶体管的发明使计算革命成为可能。

今天，通过技术的进步，电子行为可以比过去更深入地研究，有可能使科学突破像个人计算机一样改变世界。但是，这些工具生成的数据太复杂，人类无法解释。

康奈尔大学领导的团队开发了一种利用机器学习分析扫描隧道显微镜(STM)产生的数据的方法 - 这种技术可以在不同能量的材料表面产生电子运动的亚原子尺度图像，提供任何其他方法无法获得的信息。 。

物理学教授Eun-Ah Kim说：“其中一些图像是在二十年来被认为重要和神秘的材料上拍摄的。” “你想知道这些图像中隐藏着什么样的秘密。我们想解开这些秘密。”

Kim是“电子量子物质成像实验中的机器学习”的高级作者，于6月19日在Nature上发表。第一作者是张毅，曾任金氏实验室博士后研究员，现在中国北京大学，前任Andrej Mesaros现在位于法国巴黎南部大学的Kim实验室的博士后研究员。

共同作者包括JCSéamusDavis，康奈尔大学的James Gilbert White物理科学杰出教授，STM驱动研究的创新者。

这项研究对电子如何相互作用产生了新的见解，并展示了机器学习如何用于推动实验量子物理学的进一步发现。

在亚原子尺度上，给定的样本将包括相互交互的万亿亿亿个电子和周围的基础设施。电子的行为部分取决于它们两种竞争倾向之间的紧张关系：与动能相关的四处移动; 并且与相互之间保持相距甚远，与排斥的相互作用能量相关联。

在这项研究中，Kim和合作者着手发现哪种趋势在高温超导材料中更为重要。

使用STM，电子穿过显微镜导电尖端和被检样品表面之间的真空，提供有关电子行为的详细信息。

“问题是，当你拿这样的数据并记录它时，你会得到类似图像的数据，但它不是一个自然形象，如苹果或梨，”金说。她说，仪器生成的数据更像是一种模式，比传统的测量曲线复杂约10,000倍。“我们没有一个很好的工具来研究那些类型的数据集。”

为了解释这些数据，研究人员模拟了一个理想的环境，并增加了可能导致电子行为变化的因素。然后，他们训练了一种人工神经网络 - 一种人工智能，可以使用受大脑工作方式启发的方法来学习特定任务 - 识别与不同理论相关的环境。当研究人员将实验数据输入神经网络时，它确定了实际数据最相似的理论。

Kim说，这种方法证实了这种假设，即排斥相互作用能量对电子行为的影响更大。

她说，更好地了解不同材料和不同条件下有多少电子相互作用可能会带来更多发现，包括开发新材料。

“导致晶体管初始革命的材料实际上是非常简单的材料。现在我们有能力设计更复杂的材料，”Kim说。“如果这些强大的工具可以揭示导致所需属性的重要方面，我们希望能够制作具有该属性的材料。”