Un esquema que ilustra cómo se utiliza una red neuronal para hacer coincidir los datos de la microscopía de túnel de barrido con una hipótesis teórica. Crédito:Universidad de Cornell
Comprender el intrincado comportamiento de los electrones ha llevado a descubrimientos que transformaron la sociedad, como la revolución de la informática que fue posible gracias a la invención del transistor.
Hoy dia, a través de avances en tecnología, El comportamiento de los electrones se puede estudiar mucho más profundamente que en el pasado, potencialmente permitiendo avances científicos tan transformadores como la computadora personal. Sin embargo, Los datos que generan estas herramientas son demasiado complejos para que los humanos los interpreten.
Un equipo dirigido por Cornell ha desarrollado una forma de utilizar el aprendizaje automático para analizar los datos generados por la microscopía de túnel de barrido (STM), una técnica que produce imágenes a escala subatómica de movimientos electrónicos en superficies de materiales a diferentes energías. proporcionar información inalcanzable por cualquier otro método.
"Algunas de esas imágenes se tomaron con materiales que se han considerado importantes y misteriosos durante dos décadas, "dijo Eun-Ah Kim, profesor de física. "Te preguntas qué tipo de secretos están enterrados en esas imágenes. Nos gustaría descubrir esos secretos".
Kim es el autor principal de "Machine Learning in Electronic Quantum Matter Imaging Experiments, "que se publicó en Naturaleza 19 de junio. Los primeros autores son Yi Zhang, anteriormente investigador postdoctoral en el laboratorio de Kim y ahora en la Universidad de Pekín en China, y Andrej Mesaros, ex investigador postdoctoral en el laboratorio de Kim ahora en la Université Paris-Sud en Francia.
Los coautores incluyen a J.C. Séamus Davis, Profesor Distinguido James Gilbert White de Cornell en Ciencias Físicas, un innovador en estudios impulsados por STM.
La investigación arrojó nuevos conocimientos sobre cómo interactúan los electrones y mostró cómo se puede utilizar el aprendizaje automático para impulsar nuevos descubrimientos en la física cuántica experimental.
A escala subatómica, una muestra determinada incluirá billones de billones de electrones que interactúan entre sí y con la infraestructura circundante. El comportamiento de los electrones está determinado en parte por la tensión entre sus dos tendencias en competencia:moverse, asociado con la energía cinética; y alejarnos el uno del otro, asociado con la energía de interacción repulsiva.
En este estudio, Kim y sus colaboradores se propusieron descubrir cuál de estas tendencias es más importante en un material superconductor de alta temperatura.
Fondo:una imagen de experimento real de densidad de electrones de uno de los microscopios del grupo. Recuadro:la arquitectura de ANN que fueron entrenados para 'mirar' tales imágenes e informar qué estados de la materia electrónica están ocultos allí. Crédito:JC Séamus Davis
Usando STM, los electrones hacen un túnel a través de un vacío entre la punta conductora del microscopio y la superficie de la muestra que se está examinando, proporcionando información detallada sobre el comportamiento de los electrones.
"El problema es, cuando tomas datos como ese y los registras, obtienes datos similares a imágenes, pero no es una imagen natural, como una manzana o una pera, ", Dijo Kim. Los datos generados por el instrumento son más como un patrón, ella dijo, y alrededor de 10, 000 veces más complicado que una curva de medición tradicional. "No tenemos una buena herramienta para estudiar ese tipo de conjuntos de datos".
Para interpretar estos datos, los investigadores simularon un entorno ideal y agregaron factores que causarían cambios en el comportamiento de los electrones. Luego entrenaron una red neuronal artificial, una especie de inteligencia artificial que puede aprender una tarea específica utilizando métodos inspirados en el funcionamiento del cerebro, para reconocer las circunstancias asociadas con diferentes teorías. Cuando los investigadores ingresan los datos experimentales en la red neuronal, determinó a cuál de las teorías se asemejaban más los datos reales.
Este método, Kim dijo, confirmó la hipótesis de que la energía de interacción repulsiva era más influyente en el comportamiento de los electrones.
Una mejor comprensión de cuántos electrones interactúan en diferentes materiales y en diferentes condiciones probablemente conducirá a más descubrimientos, ella dijo, incluido el desarrollo de nuevos materiales.
"Los materiales que llevaron a la revolución inicial de los transistores eran en realidad materiales bastante simples. Ahora tenemos la capacidad de diseñar materiales mucho más complejos, ", Dijo Kim." Si estas poderosas herramientas pueden revelar aspectos importantes que conducen a una propiedad deseada, nos gustaría poder hacer un material con esa propiedad ".
