Os elétrons e seu comportamento apresentam questões fascinantes para os físicos quânticos, e inovações recentes em fontes, instrumentos e instalações permitem que os pesquisadores acessem potencialmente ainda mais informações codificadas em materiais quânticos.
No entanto, essas inovações de pesquisa estão produzindo volumes de dados sem precedentes – e até agora indecifráveis.

"O conteúdo de informação em um material pode rapidamente exceder o conteúdo total de informação na Biblioteca do Congresso, que é de cerca de 20 terabytes", disse Eun-Ah Kim, professor de física na Faculdade de Artes e Ciências, que está na vanguarda da pesquisa de materiais quânticos e aproveitando o poder do aprendizado de máquina para analisar dados de experimentos de materiais quânticos.

"A capacidade limitada do modo tradicional de análise - em grande parte manual - está rapidamente se tornando o gargalo crítico", disse Kim.

Um grupo liderado por Kim usou com sucesso uma técnica de aprendizado de máquina desenvolvida com cientistas da computação de Cornell para analisar grandes quantidades de dados do metal quântico Cd₂ Re₂ O₇ , encerrando um debate sobre esse material específico e preparando o terreno para o futuro aprendizado de máquina, ajudou a entender novas fases da matéria.

O artigo, "Aproveitando o Aprendizado de Máquina Interpretável e Não Supervisionado para Abordar o Big Data da Difração Moderna de Raios-X", publicado em 9 de junho em Proceedings of the National Academy of Sciences .

Físicos de Cornell e cientistas da computação colaboraram para construir um algoritmo de aprendizado de máquina não supervisionado e interpretável, XRD Temperature Clustering (X-TEC). Os pesquisadores então aplicaram o X-TEC para investigar os principais elementos do metal de óxido de pirocloro, Cd₂ Re₂ O₇ .

O X-TEC analisou oito terabytes de dados de raios-X, abrangendo 15.000 zonas de Brillouin (células exclusivamente definidas), em minutos.

“Usamos algoritmos de aprendizado de máquina não supervisionados, que são perfeitos para traduzir dados de alta dimensão em clusters que fazem sentido para humanos”, disse Kilian Weinberger, professor de ciência da computação na Cornell Ann. S Bowers College of Computing and Information Science.

Graças a essa análise, os pesquisadores descobriram importantes insights sobre o comportamento dos elétrons no material, detectando o que é conhecido como modo pseudo-Goldstone. Eles estavam tentando entender como os átomos e elétrons se posicionam de forma ordenada para otimizar a interação dentro da "comunidade" astronomicamente grande de elétrons e átomos.

“Em materiais cristalinos complexos, uma estrutura específica de múltiplos átomos, a célula unitária, se repete em um arranjo regular, como em um complexo de apartamentos de arranha-céus”, disse Kim. "O reposicionamento que descobrimos acontece na escala de cada unidade de apartamento, em todo o complexo."

Como a disposição das unidades permanece a mesma, disse ela, é difícil detectar esse reposicionamento observando de fora. No entanto, o reposicionamento quase que espontaneamente quebra uma simetria contínua, o que resulta em um modo pseudo-Goldstone.

“A existência do modo pseudo-Goldstone pode revelar as simetrias secretas no sistema que podem ser difíceis de ver de outra forma”, disse Kim. "Nossa descoberta foi habilitada pelo X-TEC."

Esta descoberta é significativa por três razões, disse Kim. Primeiro, mostra que o aprendizado de máquina pode ser usado para analisar dados volumosos de difração de raios X (XRD), servindo como protótipo para aplicações do X-TEC à medida que aumenta. O X-TEC, disponível para pesquisadores como um pacote de software, será integrado ao síncrotron como uma ferramenta de análise na Fonte Avançada de Fótons e na Fonte Síncrotron de Alta Energia Cornell.

Em segundo lugar, a descoberta encerra um debate sobre a física do Cd₂ Re₂ O₇ .

"Até onde sabemos, esta é a primeira instância da detecção de um modo Goldstone usando XRD", disse Kim. “Esta visão em escala atômica sobre flutuações em um material quântico complexo será apenas o primeiro exemplo de resposta a questões científicas importantes que acompanham qualquer descoberta de novas fases da matéria … usando dados de difração volumosos ricos em informações”.

Terceiro, a descoberta mostra o que a colaboração entre físicos e cientistas da computação pode realizar.

“O funcionamento interno matemático dos algoritmos de aprendizado de máquina geralmente não é diferente dos modelos da física, mas aplicado a dados de alta dimensão”, disse Weinberger. "Trabalhar com físicos é muito divertido, porque eles são muito bons em modelar o mundo natural. Quando se trata de modelagem de dados, eles realmente acertam o terreno." + Explorar mais

A teoria sugere que os computadores quânticos devem ser exponencialmente mais rápidos em algumas tarefas de aprendizado do que as máquinas clássicas