Um esquema que ilustra como uma rede neural é usada para combinar dados de microscopia de tunelamento de varredura a uma hipótese teórica. Crédito:Cornell University
Compreender o comportamento intrincado dos elétrons levou a descobertas que transformaram a sociedade, como a revolução na computação possibilitada pela invenção do transistor.
Hoje, por meio dos avanços da tecnologia, o comportamento do elétron pode ser estudado muito mais profundamente do que no passado, potencialmente permitindo descobertas científicas tão revolucionárias quanto o computador pessoal. Contudo, os dados que essas ferramentas geram são muito complexos para serem interpretados por humanos.
Uma equipe liderada por Cornell desenvolveu uma maneira de usar o aprendizado de máquina para analisar os dados gerados pela microscopia de tunelamento de varredura (STM) - uma técnica que produz imagens em escala subatômica de movimentos eletrônicos em superfícies materiais em energias variadas, fornecer informações inatingíveis por qualquer outro método.
"Algumas dessas imagens foram tiradas em materiais considerados importantes e misteriosos por duas décadas, "disse Eun-Ah Kim, professor de física. "Você se pergunta que tipo de segredos estão enterrados nessas imagens. Gostaríamos de desvendar esses segredos."
Kim é autora sênior de "Machine Learning in Electronic Quantum Matter Imaging Experiments, "que foi publicado em Natureza 19 de junho. Os primeiros autores são Yi Zhang, ex-pesquisador de pós-doutorado no laboratório de Kim e agora na Universidade de Pequim, na China, e Andrej Mesaros, um ex-pesquisador de pós-doutorado no laboratório de Kim, agora na Université Paris-Sud, na França.
Os co-autores incluem J.C. Séamus Davis, James Gilbert White de Cornell, professor ilustre em Ciências Físicas, um inovador em estudos orientados a STM.
A pesquisa gerou novos insights sobre como os elétrons interagem - e mostrou como o aprendizado de máquina pode ser usado para impulsionar novas descobertas na física quântica experimental.
Na escala subatômica, uma determinada amostra incluirá trilhões de trilhões de elétrons interagindo entre si e com a infraestrutura circundante. O comportamento dos elétrons é determinado em parte pela tensão entre suas duas tendências concorrentes:para se mover, associado à energia cinética; e ficar longe um do outro, associado à energia de interação repulsiva.
Neste estudo, Kim e colaboradores começaram a descobrir qual dessas tendências é mais importante em um material supercondutor de alta temperatura.
Plano de fundo:uma imagem de experimento real de densidade de elétrons de um dos microscópios do grupo. Detalhe:a arquitetura da RNA que foi treinada para 'olhar' tais imagens e relatar quais estados da matéria eletrônica estão escondidos nelas. Crédito:JC Séamus Davis
Usando STM, túnel de elétrons através de um vácuo entre a ponta condutora do microscópio e a superfície da amostra sendo examinada, fornecendo informações detalhadas sobre o comportamento dos elétrons.
"O problema é, quando você pega dados como esses e os registra, você obtém dados semelhantes a imagens, mas não é uma imagem natural, como uma maçã ou uma pêra, "Kim disse. Os dados gerados pelo instrumento são mais como um padrão, ela disse, e cerca de 10, 000 vezes mais complicada do que uma curva de medição tradicional. "Não temos uma boa ferramenta para estudar esses tipos de conjuntos de dados."
Para interpretar esses dados, os pesquisadores simularam um ambiente ideal e acrescentaram fatores que causariam mudanças no comportamento do elétron. Eles então treinaram uma rede neural artificial - um tipo de inteligência artificial que pode aprender uma tarefa específica usando métodos inspirados no modo como o cérebro funciona - para reconhecer as circunstâncias associadas a diferentes teorias. Quando os pesquisadores inserem os dados experimentais na rede neural, determinou com qual das teorias os dados reais mais se assemelhavam.
Este método, Kim disse, confirmaram a hipótese de que a energia de interação repulsiva foi mais influente no comportamento dos elétrons.
Uma melhor compreensão de quantos elétrons interagem em diferentes materiais e sob diferentes condições provavelmente levará a mais descobertas, ela disse, incluindo o desenvolvimento de novos materiais.
"Os materiais que levaram à revolução inicial dos transistores eram, na verdade, materiais muito simples. Agora temos a capacidade de projetar materiais muito mais complexos, "Kim disse." Se essas ferramentas poderosas podem revelar aspectos importantes que levam a uma propriedade desejada, gostaríamos de poder fazer um material com essa propriedade. "
