Conduz eletricidade? Ou se isolar contra eletricidade? Os físicos comumente classificam as fases materiais como uma ou outra. O aprendizado de máquina é uma ferramenta poderosa para reconhecimento de padrões e, portanto, pode ajudar a identificar fases da matéria. Contudo, o aprendizado de máquina precisa de uma ponte para o mundo quântico, onde a física dos átomos, elétrons, e as partículas são diferentes das de objetos ou galáxias maiores. Agora, cientistas forneceram uma ponte, que eles chamam de técnica de topografia de loop quântico. Este é um algoritmo de aprendizado de máquina baseado em redes neurais. Ele detecta com alta eficiência uma fase exótica onde a eletricidade é conduzida ao redor da superfície do material, mas não pelo meio. Também, ele distingue entre isoladores normais e esses isolantes topológicos exóticos.

Encontrar rapidamente fases topológicas exóticas é vital para novos, computadores ultra-poderosos. Encontrar a fase de isolamento nesta pesquisa é apenas o começo para esta técnica. A técnica conecta redes neurais à teoria do mundo quântico. O mundo quântico muitas vezes leva a propriedades incríveis que podem desencadear poderosas, eletrônica com eficiência energética. Essa técnica dá aos cientistas as ferramentas para encontrar e mapear outras fases exóticas com mais rapidez.

Há um interesse crescente em aproveitar o aprendizado de máquina para responder a perguntas sobre a física da matéria condensada, como metais e isolantes, incluindo como entender as interações de muitos elétrons. Os sistemas quânticos podem ter espaços de parâmetros exponencialmente grandes, semelhantes a conjuntos de big data de imagens ou análise de dados do consumidor. Portanto, algoritmos de aprendizado de máquina baseados em redes neurais também podem ser treinados para identificar fases quânticas. Treinar com tanta informação é difícil. Contudo, as informações relevantes são muito menores. O principal desafio é extrair informações essenciais da densidade eletrônica (também conhecida como função de onda de muitos corpos).

Neste estudo, cientistas da Cornell University enfrentaram com sucesso esse desafio. Eles extraíram os dados essenciais usando uma ponte de topografia de loop quântico. Ao aplicar esta ponte quântica, uma imagem multidimensional é formada por regiões triangulares, ou loops, no perfil de densidade eletrônica. As assinaturas para definir a fase orientam a configuração do loop. A assinatura era um tipo específico chamado condutividade Hall. Os cientistas então alimentaram as imagens multidimensionais em uma rede neural totalmente conectada com uma única camada oculta.

Os cientistas demonstraram que a rede neural pode ser efetivamente treinada para distinguir isoladores topológicos (por exemplo, Isolador de Chern e isolador de Chern fracionado) de isoladores normais com alta fidelidade e velocidade significativa em relação aos métodos padrão. Eles essencialmente estabeleceram uma interface entre redes neurais e reconhecimento de imagem com a teoria da matéria condensada. Desse modo, a topografia de loop quântico superou a "miopia topológica de algoritmos de aprendizado de máquina baseados em redes neurais" (ponto de vista da American Physical Society). Essa conquista abre caminho para a identificação mais rápida da ordem topológica e a obtenção de mais diagramas de fase de materiais exóticos.