University of Kents School of Physical Sciences, i samarbete med Science and Technology Facilities Council (STFC) och University of Cardiff, Durham och Leeds, har utvecklat en algoritm för att träna datorer att analysera signaler från subatomära partiklar inbäddade i avancerade elektroniska material.

Partiklarna, kallas muoner, produceras i stora partikelacceleratorer och implanteras inuti prover av material för att undersöka deras magnetiska egenskaper. Myoner är unikt användbara eftersom de kopplar magnetiskt till enskilda atomer inuti materialet och sedan avger en signal som kan detekteras av forskare för att få information om den magnetismen.

Denna förmåga att undersöka magnetism på atomär skala gör myonbaserade mätningar till en av de mest kraftfulla magnetismsonderna i elektroniska material, inklusive "kvantmaterial" som supraledare och andra exotiska former av materia.

Eftersom det inte är möjligt att härleda vad som händer i materialet genom en enkel granskning av signalen, forskare jämför normalt sina data med generiska modeller. I kontrast, det nuvarande teamet anpassade en datavetenskaplig teknik som kallas Principal Component Analysis (PCA), ofta anställd inom ansiktsigenkänning.

PCA-tekniken innebär att en dator matas med många relaterade men distinkta bilder och sedan kör en algoritm som identifierar ett litet antal "arketypiska" bilder som kan kombineras för att reproducera, med stor noggrannhet, någon av originalbilderna. En algoritm som tränas på detta sätt kan sedan fortsätta att utföra uppgifter som att känna igen om en ny bild matchar en tidigare sett.

Forskare anpassade PCA-tekniken för att analysera signalerna som skickas ut av myoner inbäddade i komplexa material, träning av algoritmen för en mängd olika kvantmaterial med hjälp av experimentella data som erhållits vid ISIS Neutron and Muon-källan från STFC Rutherford Appleton Laboratory.

Resultaten visade att den nya tekniken är lika skicklig som standardmetoden för att upptäcka fasövergångar och i vissa fall kunde detektera övergångar utöver kapaciteten för standardanalyser.

Dr Jorge Quintanilla, Universitetslektor i teori om kondenserad materia vid Kent och ledare för forskningsgruppen Physics of Quantum Materials sa:"Våra forskningsresultat är exceptionella, eftersom detta uppnåddes av en algoritm som inte visste något om fysiken hos de material som undersöks. Detta tyder på att det nya tillvägagångssättet kan ha mycket bred tillämpning och, som sådan, vi har gjort våra algoritmer tillgängliga för användning av det världsomspännande forskarsamhället."