100.000 Denklemli Süperiletkenlik Modeli Yapay Zeka Sayesinde Artık Sadece 4 Denklem İçeriyor : ScienceAlert

Izgara benzeri bir kafesten geçen elektronlar, bir langırt makinesindeki güzel gümüş küreler gibi davranmazlar. Bırakın hesaplamayı, hayal etmesi bile zor olan dalga benzeri bir gerçekliğin kaprislerini izleyerek toplu danslarda bulanıklaşıyor ve bükülüyorlar.

Yine de bilim adamları, şimdiye kadar yüz binlerce bireysel denklemin üretilmesini gerektiren simülasyonlarda kare bir kafes etrafında hareket eden elektronların hareketini yakalayarak tam da bunu yapmayı başardılar.

Bu görevi sadece dört denkleme indirgemek için yapay zekayı (AI) kullanan fizikçiler, karmaşık kuantum malzemelerinin ortaya çıkan özelliklerini araştırma işini çok daha kolay yönetilebilir hale getirdiler.

Bunu yaparken, bu bilgi işlem başarısı, kuantum fiziğinin en zorlu problemlerinden birinin, çok sayıda etkileşimli elektron içeren sistemleri tanımlamaya çalışan ‘çok elektron’ probleminin üstesinden gelmeye yardımcı olabilir.

Aynı zamanda, katı hal malzemelerinde elektron davranışını tahmin etmek için gerçekten efsanevi bir araç olan Hubbard modelini geliştirebilir – tüm bu süre boyunca maddenin süper iletkenlik gibi kullanışlı fazlarının nasıl oluştuğuna dair anlayışımızı geliştirir.

Süperiletkenlik, bir elektron akımının engellenmeden bir malzeme içinden akması ve bir noktadan diğerine kayarken neredeyse hiç enerji kaybetmemesiyle ortaya çıkan garip bir olgudur. Ne yazık ki, böyle bir durum yaratmanın en pratik yolu, gülünç derecede yüksek basınçlar olmasa bile, delicesine düşük sıcaklıklara dayanır. Süper iletkenliği oda sıcaklığına yakın bir yerde kullanmak, çok daha verimli elektrik şebekelerine ve cihazlarına yol açabilir.

Daha makul koşullar altında süperiletkenliği elde etmek yüce bir hedef olarak kaldığından, fizikçiler elektronların çeşitli koşullar altında nasıl davranabileceğini ve dolayısıyla hangi malzemelerin uygun iletkenler veya yalıtkanlar oluşturduğunu tahmin etmek için modeller kullanmaya başladılar.

Bu modellerin işleri onlar için kesilmiştir. Ne de olsa elektronlar, açıkça tanımlanmış konumları ve yörüngeleri olan küçük toplar gibi atom ağlarında yuvarlanmazlar. Faaliyetleri, yalnızca çevrelerinden değil, yolda çarpıştıkları diğer elektronlarla etkileşim geçmişlerinden de etkilenen bir olasılık ayıdır.

Elektronlar etkileşime girdiğinde, kaderleri yakından iç içe geçebilir veya ‘dolaşık’ hale gelebilir. Bir elektronun davranışını simüle etmek, bir model sistemdeki tüm elektronların olasılık aralığını bir kerede izlemek anlamına gelir, bu da hesaplama zorluklarını katlanarak zorlaştırır.

Hubbard modeli, elektronların bir atom kafesi boyunca kafa karıştırıcı hareketini biraz doğru bir şekilde tanımlayan onlarca yıllık bir matematiksel modeldir. Yıllar boyunca ve fizikçilerin zevkine göre, aldatıcı derecede basit model, çok çeşitli karmaşık malzemelerin davranışında deneysel olarak gerçekleştirilmiştir.

Sürekli artan bilgisayar gücüyle, araştırmacılar, temeldeki kafesin topolojisinin rolünü kavramalarına izin veren Hubbard model fiziğine dayalı sayısal simülasyonlar geliştirdiler.

Örneğin 2019’da araştırmacılar, Hubble Modelinin süperiletkenliği aşırı soğuktan daha yüksek sıcaklıklarda temsil edebildiğini kanıtlayarak, araştırmacılara modeli sahada daha derin kavrayışlar için kullanmaları için yeşil ışık verdi.

Bu yeni çalışma, gerekli denklem sayısını büyük ölçüde basitleştiren başka bir büyük adım olabilir. Araştırmacılar, fizikçilerin sıcaklık gibi özellikler değiştiğinde bir malzeme sistemindeki değişiklikleri keşfetmek için kullandıkları, renormalizasyon grubu adı verilen matematiksel bir aparatı iyileştirmek için bir makine öğrenimi algoritması geliştirdiler.

İtalya’daki Bologna Üniversitesi’nden fizikçi ve baş yazar Domenico Di Sante, ekibin geliştirdiği program hakkında “Bu, esasen gizli kalıpları keşfetme gücüne sahip bir makine” diyor.

Di Sante, “Her biri birbirine dolanmış elektron çiftlerini temsil eden tüm bu birleştirilmiş diferansiyel denklemlerin bu devasa nesnesiyle başlıyoruz”, “sonra onu parmaklarınızla sayabileceğiniz kadar küçük bir şeye dönüştürmek için makine öğrenimini kullanıyoruz” dedi. yaklaşımlarından bahsediyor.

Araştırmacılar, veriye dayalı algoritmalarının, Hubbard modelinin dinamiklerini verimli bir şekilde öğrenip özetleyebileceğini, yalnızca bir avuç denklem kullanarak – dördü kesin olmak üzere – ve doğruluktan ödün vermeden gösterdiler.

“Sonucu gördüğümüzde, ‘Vay be, bu beklediğimizden daha fazla’ dedik. İlgili fiziği gerçekten yakalayabildik” diyor Di Sante.

Verileri kullanarak makine öğrenimi programını eğitmek haftalar sürdü, ancak Di Sante ve meslektaşları, artık diğer yoğun madde sorunları üzerinde çalışmak için uyarlanabileceğini söylüyor.

Simülasyonlar şu ana kadar kafes ağındaki nispeten az sayıda değişkeni yakalıyor, ancak araştırmacılar yöntemlerinin diğer sistemlere göre oldukça ölçeklenebilir olmasını bekliyorlar.

Eğer öyleyse, gelecekte, temiz enerji üretimi içeren uygulamalar için iletken malzemelerin uygunluğunu araştırmak veya bir gün bu zor oda sıcaklığında süper iletkenliği sağlayabilecek malzemelerin tasarımına yardımcı olmak için kullanılabilir.

Araştırmacıların belirttiği gerçek test, yaklaşımın elektronların uzun mesafelerde etkileşime girdiği malzemeler gibi daha karmaşık kuantum sistemlerinde ne kadar iyi çalıştığı olacaktır.

Şimdilik, çalışma, “çok elektronlu problemin üstesinden gelmek için son teknoloji kuantum alan teorik yöntemlerinin başarısı için son derece önemli bir hedef” olan dinamik elektronların kompakt temsillerini çıkarmak için AI kullanma olasılığını gösteriyor. Öz.

Araştırma yayınlandı Fiziksel İnceleme Mektupları.

Leave a Comment