Leder den el? Eller isolera mot el? Fysiker klassificerar vanligtvis materialfaser som den ena eller den andra. Maskininlärning är ett kraftfullt verktyg för mönsterigenkänning och kan därmed hjälpa till att identifiera materiens faser. Dock, maskininlärning behöver en bro till kvantvärlden, där atomernas fysik, elektroner, och partiklar skiljer sig från större objekt eller galaxer. Nu, forskare har tillhandahållit en bro, som de kallar quantum loop -topografitekniken. Detta är en maskininlärningsalgoritm baserad på neurala nätverk. Den upptäcker med hög effektivitet en exotisk fas där elektricitet leds runt materialets yta men inte genom mitten. Också, den skiljer mellan normala isolatorer och dessa exotiska topologiska isolatorer.

Att snabbt hitta exotiska topologiska faser är avgörande för nya, extremt kraftfulla datorer. Att hitta isoleringsfasen i denna forskning är bara början för denna teknik. Tekniken kopplar neurala nätverk till teorin om kvantvärlden. Kvantvärlden leder ofta till otroliga egenskaper som kan släppa lös kraftfulla, energieffektiv elektronik. Denna teknik ger forskare verktygen att hitta och kartlägga andra exotiska faser snabbare.

Det finns ett växande intresse för att utnyttja maskininlärning för att svara på frågor om kondenserad materiens fysik, som metaller och isolatorer, inklusive hur man förstår interaktionen mellan många elektroner. Kvantsystem kan ha exponentiellt stora parameterutrymmen som liknar stora datamängder med bilder eller analys av konsumentdata. Därför, maskininlärningsalgoritmer baserade på neurala nätverk kan också utbildas för att identifiera kvantfaser. Att träna på så mycket information är svårt. Dock, relevant information är mycket mindre. Den viktigaste utmaningen är att extrahera viktig information från den elektroniska densiteten (aka många kroppsvågsfunktioner).

I den här studien, forskare vid Cornell University har framgångsrikt tacklat denna utmaning. De extraherade de väsentliga uppgifterna med hjälp av en quantum loop -topografibro. När man tillämpar denna kvantbrygga, en flerdimensionell bild bildas från triangulära områden, eller slingor, i den elektroniska densitetsprofilen. Signaturer för att definiera fasen styr slingans konfiguration. Signaturen var en särskild typ som kallades Hall konduktivitet. Forskarna matade sedan de flerdimensionella bilderna till ett fullt anslutet neuralt nätverk med ett enda dolt lager.

Forskarna visade att det neurala nätverket effektivt kunde utbildas för att skilja topologiska isolatorer (t.ex. Chern isolator och fractional Chern isolator) från normala isolatorer med hög trohet och betydande snabbare än standardmetoder. De kopplade i huvudsak samman neuronala nätverk och bildigenkänning med teori om kondenserad materia. Därigenom övervann quantum loop-topografin den "topologiska närsyntheten hos maskininlärningsalgoritmer baserade på neurala nätverk" (American Physical Society-synvinkel). Denna prestation banar väg för snabbare identifiering av topologisk ordning och erhållande av fler fasdiagram av exotiska material.