p Os cientistas procuram usar materiais quânticos - aqueles que têm ordem correlacionada no nível subatômico - para dispositivos eletrônicos, computadores quânticos, e supercondutores. Os materiais quânticos devem muitas de suas propriedades à física que está ocorrendo nas menores escalas, física que é totalmente mecânica quântica. p Alguns materiais, como materiais magnéticos complexos, compartilham semelhanças com materiais quânticos, e os cientistas podem estudá-los em um esforço para entender melhor os materiais quânticos e entender sua capacidade de existir em muitas configurações eletrônicas diferentes. Compreender as interações que ocorrem dentro de materiais magnéticos quânticos e complexos, Contudo, requer métodos de investigação rigorosos.

p Um desses métodos é o espalhamento de nêutrons, em que partículas neutras chamadas nêutrons são espalhadas fora de um material para descobrir suas propriedades microscópicas das interações resultantes. Contudo, reconstruir a estrutura e propriedades de um material prova ser um desafio, mesmo para especialistas experientes.

p Pela primeira vez, uma equipe do Laboratório Nacional Oak Ridge (ORNL) do Departamento de Energia dos EUA (DOE) está usando inteligência artificial (IA) para encontrar padrões em dados de espalhamento de nêutrons que podem levar a um entendimento da física dentro de materiais quânticos ou magnéticos complexos. Liderado por Alan Tennant, Líder de iniciativa para materiais quânticos em ORNL, a equipe treinou recentemente uma rede neural artificial (ANN) para interpretar com sucesso os dados de um experimento de espalhamento de nêutrons realizado na Fonte de Nêutrons de Espalação (SNS) do ORNL. A equipe treinou a rede alimentando-a com dados de simulações de espalhamento de nêutrons realizadas em sistemas no Oak Ridge Leadership Computing Facility (OLCF), incluindo o Cray XK7 Titan desativado do centro. Uma das máquinas mais poderosas de seu tempo, Titan continua a fornecer novas descobertas à comunidade científica, mesmo depois de sua aposentadoria no outono passado.

p "Antes, quando você faria um experimento, você não tinha certeza se obteve o resultado certo, "Disse Tennant." Com esta rede neural, podemos ter certeza da resposta devido ao extenso treinamento que a rede teve que passar. De todos os casos possíveis que encontra, ele pode encontrar a solução ideal. "

p A rede pode revelar novas informações sobre os experimentos atuais de espalhamento de nêutrons e até mesmo fornecer informações sobre quais experimentos seriam mais benéficos para serem executados no futuro.

p Os resultados do estudo foram publicados recentemente em Nature Communications , e a equipe está continuando o trabalho no IBM AC922 Summit de 200 petaflop do OLCF, o supercomputador mais poderoso do mundo.

p Além do humano

p Quando os cientistas realizam experimentos de espalhamento de nêutrons no SNS, eles devem levar em conta os vários cenários possíveis que poderiam ter moldado o padrão de espalhamento. Decifrar os nêutrons que se espalham pelo material torna-se um quebra-cabeça, e humanos que têm vasta experiência com dados de espalhamento de nêutrons têm sido tradicionalmente confiados para formar hipóteses viáveis ​​sobre a estrutura do material com base nos padrões de espalhamento que eles veem.

p Os pesquisadores que realizam esses experimentos normalmente podem chegar a muitos cenários diferentes para o hamiltoniano de um material, a expressão da energia do material que descreve completamente suas propriedades. Mas eles não podem ser responsáveis ​​por cada um deles - especialmente em materiais como gelo de spin. Gelo giratório, análogos magnéticos de gelo, são considerados como possuidores de estados magnéticos exóticos, onde os pólos magnéticos norte e sul podem se separar e se comportar de forma independente, algo que outros ímãs não conseguem fazer. Determinar as interações subjacentes nestes materiais provou ser muito desafiador, Contudo.

p Treinando uma RNA, um tipo de aprendizado de máquina que pode analisar padrões em dados e operar de maneira semelhante às redes neurais em um cérebro humano, é uma solução possível.

p "Os humanos nunca podem passar por todos os cenários, porque sempre há aqueles que você nunca pensou, "disse Anjana Samarakoon, um associado de pesquisa de pós-doutorado no ORNL que trabalhou em estreita colaboração com Tennant no projeto. "Mas um computador pode passar por centenas de milhares de cenários e resumir as informações para você. E assim torna-se meio confiável - resolve um dos seus grandes problemas."

p A equipe treinou um autoencoder - um tipo de ANN frequentemente usado para compactar e recriar imagens - usando dezenas de milhares de simulações (mais de 50 bilhões de cálculos) nos recursos de supercomputação no OLCF, um DOE Office of Science User Facility em ORNL. A equipe foi capaz de simular muitos mais cenários do que um ser humano é capaz de examinar. A equipe também descobriu que a RNA filtra o ruído experimental para extrair apenas as informações mais importantes dos dados de espalhamento brutos para recriar a estrutura de um material.

p "Faz o que um especialista faz, mas faz algo muito além, "Samarakoon disse." Isso pode fazer dez mil modelos em vez dos simples 100 ou mais que um humano pode fazer. "

p Mistérios de vidro

p Depois que os pesquisadores o treinaram, a RNA poderia comparar os dados simulados com dados de espalhamento experimental registrados a partir do instrumento CORELLI no SNS, que é projetado para investigar a desordem em materiais como o vidro. A ANN capturou com precisão os dados para 1, 024 sites no material Dy ₂ Ti ₂ O ₇ , um gelo giratório que tem propriedades semelhantes às do vidro em baixas temperaturas.

p "Não sabemos a física por trás do funcionamento dos óculos, "Tennant disse." Mas este material se presta ao estudo devido à incrível matemática que podemos usar para entendê-lo. Oak Ridge é um lugar onde podemos realmente fazer pesquisas sobre esses tipos de materiais complexos. "

p A equipe usou o Compute and Data Environment for Science (CADES) no ORNL em combinação com os sistemas no OLCF para uma análise posterior das simulações. Depois de treinar a rede com as simulações, acabou determinando um modelo hamiltoniano para descrever as propriedades magnéticas do material, incluindo o ponto em que se transforma em algo semelhante ao vidro.

p Agora, a equipe está treinando redes neurais mais profundas na Summit para entender melhor os materiais quânticos semelhantes ao vidro.

p “Fomos capazes de fazer todas as simulações de que precisávamos para os exemplos de treinamento no OLCF, "Samarakoon disse." Com a Summit, podemos lançar redes ainda mais profundas de uma forma mais interativa e explorar ainda mais incógnitas. "