Forskare försöker använda kvantmaterial - de som har korrelerad ordning på subatomär nivå - för elektroniska enheter, kvantdatorer, och supraledare. Kvantmaterial har många av sina egenskaper att tacka den fysik som sker på de minsta skalorna, fysik som är helt kvantmekanisk.

Vissa material, såsom komplexa magnetiska material, dela gemensamma drag med kvantmaterial, och forskare kan studera dessa i ett försök att bättre förstå kvantmaterial och förstå deras förmåga att existera i många olika elektroniska konfigurationer. Förstå de interaktioner som sker inom både kvant- och komplexa magnetiska material, dock, kräver rigorösa utredningsmetoder.

En sådan metod är neutronspridning, där neutrala partiklar som kallas neutroner sprids från ett material för att avslöja dess mikroskopiska egenskaper från de resulterande interaktionerna. Dock, att rekonstruera ett materials struktur och egenskaper visar sig vara utmanande, även för erfarna experter.

För första gången, ett team vid det amerikanska energidepartementets (DOE:s) Oak Ridge National Laboratory (ORNL) använder artificiell intelligens (AI) för att hitta mönster i neutronspridningsdata som kan leda till en förståelse av fysiken inuti kvantmaterial eller komplexa magnetiska material. Leds av Alan Tennant, Initiativledare för kvantmaterial på ORNL, teamet tränade nyligen ett artificiellt neuralt nätverk (ANN) för att framgångsrikt tolka data från ett neutronspridningsexperiment utfört vid ORNL:s Spallation Neutron Source (SNS). Teamet tränade nätverket genom att mata det med data från neutronspridningssimuleringar utförda på system vid Oak Ridge Leadership Computing Facility (OLCF), inklusive centrets nedlagda Cray XK7 Titan. En av sin tids mest kraftfulla maskiner, Titan fortsätter att förse vetenskapssamhället med nya upptäckter även efter pensioneringen i höstas.

"Innan, när du skulle göra ett experiment, du var inte helt säker på att du hade rätt resultat, " Sa Tennant. "Med detta neurala nätverk, vi kan vara säkra på svaret på grund av den omfattande utbildning som nätverket fick genomgå. Av alla möjliga fall den stöter på, det kan hitta den optimala lösningen."

Nätverket kan avslöja ny information om nuvarande neutronspridningsexperiment och till och med ge insikt i vilka experiment som skulle vara mest fördelaktiga att köra i framtiden.

Resultaten av studien publicerades nyligen i Naturkommunikation , och teamet fortsätter arbetet med OLCF:s 200 petaflop IBM AC922 Summit, världens kraftfullaste superdator.

Bortom mänskligt

När forskare utför neutronspridningsexperiment vid SNS, de måste ta hänsyn till de många möjliga scenarier som kunde ha format spridningsmönstret. Att dechiffrera neutronerna som sprider ut materialet blir ett pussel, och människor som har lång erfarenhet av neutronspridningsdata har traditionellt sett förlitat sig på att skapa genomförbara hypoteser om materialets struktur baserat på de spridningsmönster de ser.

Forskare som utför dessa experiment kan vanligtvis komma på många olika scenarier för ett material Hamiltonian, uttrycket för materialets energi som fullständigt beskriver dess egenskaper. Men de kan omöjligt redogöra för varenda en - särskilt i material som spin ices. Snurra isar, magnetiska analoger av is, tros ha exotiska magnetiska tillstånd där nord- och sydmagnetiska poler kan separeras och bete sig oberoende, något andra magneter inte kan göra. Att fastställa de underliggande interaktionerna i dessa material har visat sig vara mycket utmanande, dock.

Utbilda en ANN, en typ av maskininlärning som kan analysera mönster i data och fungerar på ett sätt som liknar de neurala nätverken i en mänsklig hjärna, är en möjlig lösning.

"Människor kan aldrig gå igenom alla scenarier, för det finns alltid sådana du aldrig har tänkt på, " sa Anjana Samarakoon, en postdoktor vid ORNL som arbetade nära Tennant i projektet. "Men en dator kan gå igenom hundratusentals scenarier och sammanfatta informationen åt dig. Så den blir lite pålitlig – den löser ett av dina stora problem."

Teamet tränade en autoencoder – en typ av ANN som ofta används för att komprimera och återskapa bilder – med hjälp av tiotusentals simuleringar (mer än 50 miljarder beräkningar) på superdatorresurserna vid OLCF, en DOE Office of Science User Facility på ORNL. Teamet kunde simulera många fler scenarier än vad en människa är kapabel att undersöka. Teamet fann också att ANN filtrerar bort experimentellt brus för att bara dra ut den viktigaste informationen från den råa spridningsdatan för att återskapa ett materials struktur.

"Den gör vad en expert gör, men det gör något långt bortom, "Samarakoon sa. "Detta kan göra tio tusen modeller istället för de enkla 100 eller så som en människa kan göra."

Glasmysterier

Efter att forskarna tränat det, ANN skulle kunna jämföra de simulerade data med experimentella spridningsdata inspelade från CORELLI-instrumentet vid SNS, som är utformad för att undersöka störningen i material som glas. ANN fångade exakt data för 1, 024 platser i materialet Dy ₂ Ti ₂ O ₇ , en spinnis som har glasliknande egenskaper vid låga temperaturer.

"Vi vet inte fysiken bakom varför glasögon fungerar, " Sa Tennant. "Men detta material lämpar sig för studier på grund av den fantastiska matematik vi kan använda för att förstå det. Oak Ridge är en plats där vi verkligen kan forska om dessa typer av komplexa material."

Teamet använde Compute and Data Environment for Science (CADES) vid ORNL i kombination med systemen vid OLCF för vidare analys av simuleringarna. Efter att ha tränat nätverket med simuleringarna, det bestämde slutligen en Hamiltonian-modell för att beskriva materialets magnetiska egenskaper, inklusive punkten då den förvandlas till något som liknar glas.

Nu, teamet tränar djupare neurala nätverk på Summit för att ytterligare förstå glasliknande kvantmaterial.

"Vi kunde göra alla simuleringar vi behövde för träningsexemplen på OLCF, " sa Samarakoon. "Med Summit, vi kan köra ännu djupare nät på ett mer interaktivt sätt och utforska ännu mer okända."