Att förstå elektroners invecklade beteende har lett till upptäckter som förändrat samhället, såsom revolutionen inom datoranvändning som möjliggjorts av uppfinningen av transistorn.

I dag, genom tekniska framsteg, elektronbeteende kan studeras mycket djupare än tidigare, möjligen möjliggör vetenskapliga genombrott lika världsförändrande som persondatorn. Dock, data som dessa verktyg genererar är för komplexa för människor att tolka.

Ett team som leds av Cornell har utvecklat ett sätt att använda maskininlärning för att analysera data som genereras av scanning tunneling microscopy (STM) – en teknik som producerar bilder i subatomär skala av elektroniska rörelser i materialytor vid varierande energier, tillhandahålla information som inte kan nås med någon annan metod.

"Några av dessa bilder togs på material som har ansetts viktiga och mystiska i två decennier, " sa Eun-Ah Kim, professor i fysik. "Du undrar vilken typ av hemligheter som ligger begravda i dessa bilder. Vi skulle vilja låsa upp dessa hemligheter."

Kim är senior författare till "Machine Learning in Electronic Quantum Matter Imaging Experiment, " som publicerades i Natur 19 juni. Första författare är Yi Zhang, tidigare postdoktor i Kims labb och nu vid Peking University i Kina, och Andrej Mesaros, en tidigare postdoktor i Kims laboratorium nu vid Université Paris-Sud i Frankrike.

Medförfattare inkluderar J.C. Séamus Davis, Cornells James Gilbert White, framstående professor i fysik, en innovatör inom STM-drivna studier.

Forskningen gav nya insikter om hur elektroner interagerar - och visade hur maskininlärning kan användas för att driva ytterligare upptäckter inom experimentell kvantfysik.

I subatomär skala, ett givet prov kommer att innehålla biljoner biljoner elektroner som interagerar med varandra och den omgivande infrastrukturen. Elektroners beteende bestäms delvis av spänningen mellan deras två konkurrerande tendenser:att röra sig, associerad med kinetisk energi; och att hålla sig långt borta från varandra, associerad med frånstötande interaktionsenergi.

I den här studien, Kim och medarbetare satte sig för att upptäcka vilken av dessa tendenser som är viktigare i ett högtemperatursupraledande material.

Med STM, elektroner går genom ett vakuum mellan mikroskopets ledande spets och ytan på provet som undersöks, ge detaljerad information om elektronernas beteende.

"Problemet är, när du tar sådana data och registrerar dem, du får bildliknande data, men det är inte en naturlig bild, som ett äpple eller ett päron, " sa Kim. Data som genereras av instrumentet är mer som ett mönster, Hon sa, och ca 10, 000 gånger mer komplicerad än en traditionell mätkurva. "Vi har inget bra verktyg för att studera den typen av datamängder."

För att tolka dessa uppgifter, forskarna simulerade en idealisk miljö och lade till faktorer som skulle kunna orsaka förändringar i elektronbeteende. De tränade sedan ett artificiellt neuralt nätverk – en sorts artificiell intelligens som kan lära sig en specifik uppgift med hjälp av metoder inspirerade av hur hjärnan fungerar – för att känna igen de omständigheter som är förknippade med olika teorier. När forskarna matar in experimentella data i det neurala nätverket, det avgjorde vilken av teorierna de faktiska uppgifterna liknade mest.

Den här metoden, Kim sa, bekräftade hypotesen att den frånstötande interaktionsenergin var mer inflytelserik i elektronernas beteende.

En bättre förståelse för hur många elektroner som interagerar på olika material och under olika förhållanden kommer sannolikt att leda till fler upptäckter, Hon sa, inklusive utveckling av nya material.

"Materialen som ledde till den första revolutionen av transistorer var faktiskt ganska enkla material. Nu har vi förmågan att designa mycket mer komplexa material, "Sa Kim." Om dessa kraftfulla verktyg kan avslöja viktiga aspekter som leder till en önskad egendom, vi skulle vilja kunna göra ett material med den egenskapen."