(a) Estructura atómica de Dy 2 Ti 2 O 7 compuesto por tetraedros de iones de disprosio magnéticos (azul) y octaedros no magnéticos de iones de oxígeno (rojo) que rodean a los iones de titanio (cian). (b) Los momentos magnéticos ubicados en los iones de disprosio están restringidos por las interacciones del campo cristalino para apuntar hacia adentro o hacia afuera de los tetraedros. Forman una esquina que comparte celosía de pirocloro. Los caminos del vecino más cercano (1), siguiente-vecino más cercano (2) y dos interacciones no equivalentes del siguiente vecino más cercano (3 y 3 ′) se muestran como líneas gruesas de color. Crédito:Alan Tennant, ORNL
Los científicos buscan utilizar materiales cuánticos, aquellos que tienen un orden correlacionado a nivel subatómico, para dispositivos electrónicos, computadoras cuánticas, y superconductores. Los materiales cuánticos deben muchas de sus propiedades a la física que ocurre en las escalas más pequeñas, física que es completamente mecánica cuántica.
Algunos materiales, como materiales magnéticos complejos, compartir puntos en común con los materiales cuánticos, y los científicos pueden estudiarlos en un esfuerzo por comprender mejor los materiales cuánticos y comprender su capacidad para existir en muchas configuraciones electrónicas diferentes. Comprender las interacciones que ocurren dentro de materiales magnéticos cuánticos y complejos, sin embargo, requiere métodos de investigación rigurosos.
Uno de esos métodos es la dispersión de neutrones, en el que partículas neutras llamadas neutrones se dispersan de un material para descubrir sus propiedades microscópicas a partir de las interacciones resultantes. Sin embargo, reconstruir la estructura y las propiedades de un material resulta ser un desafío, incluso para expertos experimentados.
Por primera vez, Un equipo del Laboratorio Nacional Oak Ridge (ORNL) del Departamento de Energía de EE. UU. (DOE) está utilizando inteligencia artificial (IA) para encontrar patrones en los datos de dispersión de neutrones que pueden conducir a una comprensión de la física dentro de los materiales cuánticos o magnéticos complejos. Dirigido por Alan Tennant, Líder de la iniciativa de materiales cuánticos en ORNL, el equipo entrenó recientemente una red neuronal artificial (ANN) para interpretar con éxito los datos de un experimento de dispersión de neutrones realizado en la fuente de neutrones de espalación (SNS) de ORNL. El equipo entrenó la red alimentándola con datos de simulaciones de dispersión de neutrones realizadas en sistemas en Oak Ridge Leadership Computing Facility (OLCF), incluido el Cray XK7 Titan retirado del centro. Una de las máquinas más poderosas de su tiempo, Titan continúa proporcionando a la comunidad científica nuevos descubrimientos incluso después de su retiro el otoño pasado.
"Antes, cuando harías un experimento, no estaba completamente seguro de haber obtenido el resultado correcto, "Dijo Tennant." Con esta red neuronal, podemos estar seguros de la respuesta debido a la amplia formación que ha tenido que pasar la red. De todos los casos posibles que encuentra, puede encontrar la solución óptima ".
La red puede revelar nueva información sobre los experimentos actuales de dispersión de neutrones e incluso proporcionar información sobre qué experimentos sería más beneficioso realizar en el futuro.
Los resultados del estudio se publicaron recientemente en Comunicaciones de la naturaleza , y el equipo continúa el trabajo en la Cumbre IBM AC922 de 200 petaflop de la OLCF, la supercomputadora más poderosa del mundo.
Más allá de lo humano
Cuando los científicos realizan experimentos de dispersión de neutrones en SNS, deben tener en cuenta los numerosos escenarios posibles que podrían haber dado forma al patrón de dispersión. Descifrar los neutrones que se dispersan del material se convierte en un rompecabezas, y los humanos que tienen una amplia experiencia con datos de dispersión de neutrones tradicionalmente se han confiado para formar hipótesis factibles sobre la estructura del material basadas en los patrones de dispersión que ven.
Los investigadores que realizan estos experimentos normalmente pueden idear muchos escenarios diferentes para el hamiltoniano de un material, la expresión de la energía del material que describe completamente sus propiedades. Pero es posible que no puedan explicar todos y cada uno de ellos, especialmente en materiales como los hielos de espín. Hielo giratorio, análogos magnéticos de hielos, se cree que poseen estados magnéticos exóticos donde los polos magnéticos norte y sur pueden separarse y comportarse de forma independiente, algo que otros imanes no pueden hacer. La determinación de las interacciones subyacentes en estos materiales ha demostrado ser un gran desafío, sin embargo.
Entrenando a una ANN, un tipo de aprendizaje automático que puede analizar patrones en los datos y funciona de manera similar a las redes neuronales del cerebro humano, es una posible solución.
"Los humanos nunca pueden atravesar todos los escenarios, porque siempre hay algunos en los que nunca pensaste, "dijo Anjana Samarakoon, un investigador asociado postdoctoral en ORNL que trabajó en estrecha colaboración con Tennant en el proyecto. "Pero una computadora puede pasar por cientos de miles de escenarios y resumir la información por usted. Y así se vuelve algo confiable, resuelve uno de sus grandes problemas".
El equipo entrenó un codificador automático, un tipo de ANN que se usa a menudo para comprimir y recrear imágenes, usando decenas de miles de simulaciones (más de 50 mil millones de cálculos) en los recursos de supercomputación en el OLCF. una instalación para usuarios de la Oficina de Ciencias del DOE en ORNL. El equipo pudo simular muchos más escenarios de los que un humano es capaz de examinar. El equipo también descubrió que la ANN filtra el ruido experimental para extraer solo la información más importante de los datos de dispersión sin procesar para recrear la estructura de un material.
"Hace lo que hace un experto, pero hace algo mucho más allá ", Dijo Samarakoon." Esto puede hacer diez mil modelos en lugar de los simples 100 o más que un humano puede hacer ".
Misterios de vidrio
Después de que los investigadores lo entrenaron, la ANN podría comparar los datos simulados con los datos de dispersión experimentales registrados por el instrumento CORELLI en SNS, que está diseñado para investigar el desorden en materiales como el vidrio. La ANN capturó datos con precisión para 1, 024 sitios en el material Dy 2 Ti 2 O 7 , un hielo giratorio que tiene propiedades similares al vidrio a bajas temperaturas.
"No conocemos la física detrás de por qué funcionan las gafas, ", Dijo Tennant." Pero este material se presta a estudiar debido a las asombrosas matemáticas que podemos utilizar para comprenderlo. Oak Ridge es un lugar donde realmente podemos investigar este tipo de materiales complejos ".
El equipo utilizó Compute and Data Environment for Science (CADES) en ORNL en combinación con los sistemas en OLCF para un análisis más detallado de las simulaciones. Después de entrenar la red con las simulaciones, finalmente determinó un modelo hamiltoniano para describir las propiedades magnéticas del material, incluido el punto en el que se convierte en algo parecido al vidrio.
Ahora, el equipo está entrenando redes neuronales más profundas en Summit para comprender mejor los materiales cuánticos similares al vidrio.
"Pudimos hacer todas las simulaciones que necesitábamos para los ejemplos de entrenamiento en el OLCF, "Dijo Samarakoon." Con Summit, podemos ejecutar redes aún más profundas de una manera más interactiva y explorar aún más incógnitas ".
