¿Conduce electricidad? ¿O aislar de la electricidad? Los físicos suelen clasificar las fases materiales como una u otra. El aprendizaje automático es una herramienta poderosa para el reconocimiento de patrones y, por lo tanto, podría ayudar a identificar las fases de la materia. Sin embargo, el aprendizaje automático necesita un puente hacia el mundo cuántico, donde la física de los átomos, electrones, y las partículas difieren de las de los objetos o galaxias más grandes. Ahora, los científicos han proporcionado un puente, lo que ellos llaman la técnica de topografía de bucle cuántico. Este es un algoritmo de aprendizaje automático basado en redes neuronales. Detecta con alta eficiencia una fase exótica donde la electricidad se conduce alrededor de la superficie del material pero no a través del medio. También, distingue entre aisladores normales y estos exóticos aislantes topológicos.

Encontrar rápidamente fases topológicas exóticas es vital para nuevos, Ordenadores ultrapotentes. Encontrar la fase aislante en esta investigación es solo el comienzo de esta técnica. La técnica conecta las redes neuronales con la teoría del mundo cuántico. El mundo cuántico a menudo conduce a propiedades increíbles que podrían desencadenar poderosas, electrónica de bajo consumo. Esta técnica les da a los científicos las herramientas para encontrar y mapear otras fases exóticas más rápidamente.

Existe un interés creciente en aprovechar el aprendizaje automático para responder preguntas sobre la física de la materia condensada, como metales y aislantes, incluyendo cómo comprender las interacciones de muchos electrones. Los sistemas cuánticos pueden tener espacios de parámetros exponencialmente grandes similares a grandes conjuntos de imágenes de datos o análisis de datos de consumidores. Por lo tanto, Los algoritmos de aprendizaje automático basados ​​en redes neuronales también podrían entrenarse para identificar fases cuánticas. Entrenar con tanta información es difícil. Sin embargo, la información relevante es mucho menor. El desafío clave es extraer información esencial de la densidad electrónica (también conocida como función de onda de muchos cuerpos).

En este estudio, Los científicos de la Universidad de Cornell han abordado con éxito este desafío. Extrajeron los datos esenciales utilizando un puente topográfico de bucle cuántico. Al aplicar este puente cuántico, una imagen multidimensional se forma a partir de regiones triangulares, o bucles, en el perfil de densidad electrónica. Las firmas para definir la fase guían la configuración del bucle. La firma era de un tipo particular llamado conductividad Hall. Luego, los científicos alimentaron las imágenes multidimensionales a una red neuronal completamente conectada con una sola capa oculta.

Los científicos demostraron que la red neuronal podría entrenarse eficazmente para distinguir aislantes topológicos (por ejemplo, Aislador Chern y aislante Chern fraccional) de aisladores normales con alta fidelidad y una aceleración significativa con respecto a los métodos estándar. Básicamente, interconectaron redes neuronales y reconocimiento de imágenes con la teoría de la materia condensada. De ese modo, la topografía de bucle cuántico superó la "miopía topológica de los algoritmos de aprendizaje automático basados ​​en redes neuronales" (punto de vista de la American Physical Society). Este logro allana el camino para una identificación más rápida del orden topológico y la obtención de más diagramas de fase de materiales exóticos.