El modelo de superconductividad con 100.000 ecuaciones ahora contiene solo 4 gracias a la inteligencia artificial: ScienceAlert

Los electrones que zumban a través de una red en forma de rejilla no se comportan en absoluto como lindas bolas plateadas en una máquina de pinball. Se confunden y se pliegan en bailes colectivos, siguiendo los caprichos de una realidad ondulante que es bastante difícil de imaginar, y mucho menos de calcular.

Sin embargo, los científicos han logrado hacer precisamente eso, al capturar el movimiento de los electrones que se mueven en una red cuadrada en simulaciones que, hasta ahora, habían requerido cientos de miles de ecuaciones individuales para producir.

Usando inteligencia artificial (AI) Para reducir esta tarea a solo cuatro ecuaciones, los físicos han hecho que su trabajo de estudiar las propiedades emergentes de los materiales cuánticos complejos sea mucho más manejable.

Al hacerlo, esta hazaña computacional podría ayudar a abordar uno de los problemas más complicados de la física cuántica, el problema de los «muchos electrones», que intenta describir sistemas que contienen una gran cantidad de electrones que interactúan.

También podría avanzar a herramienta verdaderamente legendaria para predecir el comportamiento de los electrones en materiales de estado sólido, el modelo de Hubbard, mientras mejoramos nuestra comprensión de cuán útiles son las fases de la materia, como superconductividadocurrir.

La superconductividad es un fenómeno extraño que ocurre cuando una corriente de electrones fluye sin obstáculos a través de un material, sin perder casi energía a medida que se deslizan de un punto a otro. Desafortunadamente, los medios más prácticos para crear tal estado se basan en temperaturas increíblemente bajas, de lo contrario presiones ridículamente altas. Aprovechar la superconductividad más cerca de la temperatura ambiente podría conducir a dispositivos y redes eléctricas mucho más eficientes.

Dado que lograr la superconductividad en condiciones más razonables sigue siendo un objetivo ambicioso, los físicos han comenzado a utilizar modelos para predecir cómo se comportarían los electrones en diversas circunstancias y, por lo tanto, qué materiales son conductores o aislantes adecuados.

Estos modelos tienen mucho trabajo por delante. Los electrones no ruedan a través de la red de átomos como pequeñas bolas, después de todo, con posiciones y trayectorias claramente definidas. Su actividad es un lío de probabilidad, influenciado no solo por su entorno, sino también por su historial de interacciones con otros electrones que encontraron en el camino.

Cuando los electrones interactúan, sus destinos pueden entrelazarse íntimamente, o ‘enredado‘. Simular el comportamiento de un electrón significa trazar el rango de posibilidades de todos los electrones en un sistema modelo simultáneamente, lo que hace que el desafío computacional sea exponencialmente más difícil.

El modelo de Hubbard es un modelo matemático de hace décadas que describe con bastante precisión el movimiento confuso de los electrones a través de una red de átomos. A lo largo de los años y para deleite de los físicos, la engañosamente simple modelo fue realizado experimentalmente en el comportamiento de un amplia gama de materiales complejos.

Con una potencia informática cada vez mayor, los investigadores han desarrollado simulaciones numéricas basadas en la física de los modelos de Hubbard que les permiten comprender mejor el papel de la topología reticular subyacente.

En 2019, por ejemplo, los investigadores demostraron que el modelo del Hubble era capaz de representar la superconductividad temperaturas más altas que las ultra fríasdando luz verde a los investigadores para que utilicen el modelo para obtener conocimientos de campo.

Este nuevo estudio podría ser otro gran salto, simplificando enormemente la cantidad de ecuaciones requeridas. Los investigadores han desarrollado un algoritmo de aprendizaje automático para refinar un aparato matemático llamado grupo de renormalización, que los físicos utilizan para explorar los cambios en un sistema material cuando se alteran propiedades como la temperatura.

«Es esencialmente una máquina que tiene el poder de descubrir patrones ocultos», el físico y autor principal Domenico Di Sante, de la Universidad de Bolonia en Italia, Él dice del programa desarrollado por el equipo.

«Comencemos con este enorme objeto de todas estas ecuaciones diferenciales acopladas», cada una de las cuales representa pares de electrones entrelazados, «entonces estamos usando aprendizaje automático transformarlo en algo tan pequeño que puedas contarlo con los dedos”, Di Sante Él dice de su enfoque.

Los investigadores demostraron que su algoritmo basado en datos podía aprender y recapitular de manera eficiente la dinámica del modelo de Hubbard, utilizando solo un puñado de ecuaciones, cuatro para ser exactos, y sin sacrificar la precisión.

“Cuando vimos el resultado, dijimos: ‘Vaya, esto es más de lo que esperábamos’. Realmente pudimos capturar la física relevante «, Él dice De Sant.

Formar el programa de aprendizaje automático utilizando datos tomó semanas, pero Di Sante y sus colegas dicen que ahora podría adaptarse para trabajar en otros problemas tentadores de materia condensada.

Las simulaciones hasta ahora solo capturan una cantidad relativamente pequeña de variables en la red de celosía, pero los investigadores predicen que su método debería ser lo suficientemente escalable para otros sistemas.

Si es así, podría usarse en el futuro para probar la idoneidad de los materiales conductores para aplicaciones que incluyen la generación de energía limpia, o para ayudar en el diseño de materiales que algún día puedan proporcionar esa esquiva superconductividad a temperatura ambiente.

La verdadera prueba, señalan los investigadores, será qué tan bien funciona el enfoque en sistemas cuánticos más complejos, como materiales en los que los electrones interactúan a largas distancias.

Por ahora, el trabajo demuestra la viabilidad de usar IA para extraer representaciones compactas de electrones dinámicos, «un objetivo de suma importancia para el éxito de los métodos teóricos de campo cuánticos de vanguardia para abordar el problema de muchos electrones», dijeron los investigadores. para concluir en su resumen.

La investigación fue publicada en Cartas de revisión física.