مدل ابررسانایی با 100 هزار معادله اکنون به یاری هوش مصنوعی فقط 4 معادله دارد
الکترونهایی که از میان شبکهها گذر میکنند، اصلاً مانند کرههای نقرهای زیبا در یک ماشین بازی عمل نمیکنند. آنها در رقصهای جمعی تار میشوند و خم میشوند، تازه اگر ماهیت موجمانند آنها را در نظر بگیرید، تصورشان هم سخت است، چه برسد به محاسبه عملکردشان.
با این حال، دانشمندان در انجام این کار موفق شدهاند، و حرکت الکترونهایی را که در اطراف یک شبکه مربعی حرکت میکنند را توانستهاند به تصویر برکشند. این شبیهسازیها تا حال حاضر نیاز به صدها هزار معادله داشت.
اما فیزیکدانان با استفاده از هوش مصنوعی (AI) برای کاهش این کار به تنها چهار معادله، کار خود را برای مطالعه ویژگیهای نوظهور مواد کوانتومی پیچیده متمرکز کردهاند.
این شاهکار محاسباتی میتواند به حل یکی از حل نشدنیترین مشکلات فیزیک کوانتومی، مسأله «الکترونهای متعدد» کمک کند، که تلاش میکند سیستمهای حاوی تعداد زیادی الکترون برهمکنشی را توصیف کند.
همچنین میتواند یک ابزار واقعاً افسانهای برای پیشبینی رفتار الکترون در مواد حالت جامد، یعنی مدل هابارد در اختیارمان قرار دهد و درک ما از ابررسانایی، بهتر کند.
ابررسانایی پدیده عجیبی است که زمانی پدید میآید که جریانی از الکترونها بدون مانع از یک ماده عبور میکند و در حین لغزش از نقطهای به نقطه دیگر، انرژی خود را از دست نمیدهد. متأسفانه اکثر ابزارهای عملی برای ایجاد چنین حالتی به دماهای بسیار پایین متکی هستند. اگر ابررساناییدر دمایی نزدیک به دمای اتاق ممکن میشد، میتوانست به شبکهها و دستگاههای برق بسیار کارآمدتر منجر شود.
از آنجایی که دستیابی به ابررسانایی در شرایط معقولتر همچنان یک هدف عالی است، فیزیکدانان به استفاده از مدلهایی برای پیشبینی اینکه الکترونها در شرایط مختلف چگونه رفتار میکنند و بنابراین کدام موادرسانا یا عایق مناسب میسازند، استفاده کردهاند.
هنگامی که الکترونها برهم کنش میکنند، سرنوشت آنها میتواند کاملاً در هم تنیده یا «درهم» شود. شبیهسازی رفتار یک الکترون به معنای ردیابی دامنه احتمالات همه الکترونها در یک سیستم مدل به طور همزمان است که چالش محاسباتی را به طور تصاعدی سختتر میکند.
مدل هابارد Hubbard یک مدل ریاضی با قدمت چند دهه است که حرکت گیجکننده الکترونها را از طریق شبکهای از اتمها تا حدودی دقیق توصیف میکند.
با افزایش روزافزون قدرت رایانه، محققان شبیهسازیهای عددی مبتنی بر فیزیک مدل هابارد را توسعه دادهاند که به آنها اجازه میدهد تا به نقش توپولوژی شبکه زیرین دست پیدا کنند.
به عنوان مثال، در سال 2019، محققان ثابت کردند که مدل هابل قادر به نمایش دمای فوقرسانایی بالاتر از دمای فوقالعاده سرد است و به محققان چراغ سبز نشان میدهد تا از این مدل برای بینش عمیقتر در این زمینه استفاده کنند.
این مطالعه جدید میتواند جهش بزرگ دیگری باشد که تعداد معادلات مورد نیاز را تا حد زیادی ساده میکند. محققان یک الگوریتم یادگیری ماشینی را برای اصلاح یک دستگاه ریاضی به نام یک گروه عادیسازی مجدد توسعه دادهاند.
محققان نشان دادند که الگوریتم مبتنی بر داده آنها میتواند به طور مؤثر دینامیک مدل هابارد را یاد بگیرد و خلاصه کند، آن هم تنها با استفاده از تعداد انگشت شماری معادله – به طور دقیق چهار – و بدون کاهش دقت.
آموزش برنامه یادگیری ماشین با استفاده از دادهها هفتهها به طول انجامید، اما دی سانته و همکارانش میگویند که اکنون میتوان آن را برای کار بر روی سایر مشکلات وسوسهانگیز ماده متراکم تطبیق داد.
شبیهسازیها تاکنون تنها تعداد نسبتاً کمی از متغیرها را در شبکه شبکه به تصویر میکشند، اما محققان انتظار دارند روش آنها نسبتاً مقیاسپذیر برای سایر سیستمها باشد.
اگر چنین باشد، در آینده میتوان از آن برای بررسی مناسب بودن موادرسانا برای کاربردهایی که شامل تولید انرژی پاک میشود، یا برای کمک به طراحی موادی استفاده کرد که ممکن است روزی آن ابررسانایی دمای اتاق را ارائه دهند.
محققان خاطرنشان میکنند که آزمایش واقعی این است که این روش روی سیستمهای کوانتومی پیچیدهتر مانند موادی که در آنها الکترونها در فواصل طولانی برهمکنش میکنند، چقدر دقت خواهد داشت.
این تحقیق در Physical Review Letters منتشر شده.
مطالب مرتبط
