L'apprentissage automatique dévoile les mystères de la physique quantique


Schéma illustrant l'utilisation d'un réseau de neurones pour faire correspondre les données d'une microscopie à effet tunnel à balayage à une hypothèse théorique. Crédit: Université Cornell

La compréhension du comportement complexe des électrons a conduit à des découvertes qui ont transformé la société, telles que la révolution informatique rendue possible par l’invention du transistor.


Aujourd'hui, grâce aux progrès de la technologie, l'électron peut être étudié beaucoup plus profondément que par le passé, permettant potentiellement des percées scientifiques aussi changeantes que l'ordinateur personnel dans le monde. Cependant, les données générées par ces outils sont trop complexes pour être interprétées par l'homme.

Une équipe dirigée par Cornell a mis au point un moyen d’analyser les données générées par la microscopie à effet tunnel à balayage (STM), une technique qui produit des images à l’échelle subatomique des mouvements électroniques de surfaces matérielles à des énergies variables, fournissant des informations inaccessibles par toute autre méthode.

"Certaines de ces images ont été prises avec des matériaux jugés importants et mystérieux depuis deux décennies", a déclaré Eun-Ah Kim, professeur de physique. "Vous vous demandez quels types de secrets sont enfouis dans ces images. Nous aimerions les révéler."

Kim est l’auteur principal de "Machine Learning in Electronic Quantter Imaging Experiments", publié dans La nature 19 juin. Les premiers auteurs sont Yi Zhang, ancien chercheur postdoctoral dans le laboratoire de Kim et maintenant à l'Université de Pékin en Chine, et Andrej Mesaros, ancien chercheur postdoctoral dans le laboratoire de Kim maintenant à l'Université Paris-Sud en France.

Les co-auteurs incluent J.C. Séamus Davis, professeur distingué en sciences physiques James Gilbert White de Cornell, un innovateur dans les études axées sur la STM.

Les recherches ont permis de mieux comprendre la manière dont les électrons interagissent – et ont montré comment l'apprentissage automatique peut être utilisé pour conduire à des découvertes supplémentaires en physique quantique expérimentale.

À l'échelle subatomique, un échantillon donné comprendra des billions de milliards d'électrons interagissant les uns avec les autres et avec l'infrastructure environnante. Le comportement des électrons est en partie déterminé par la tension qui existe entre leurs deux tendances opposées: se déplacer, associé à une énergie cinétique; et de rester loin les uns des autres, associés à une énergie d'interaction répulsive.

Dans cette étude, Kim et ses collaborateurs ont entrepris de déterminer laquelle de ces tendances est la plus importante dans un matériau supraconducteur à haute température.

À l'aide du STM, les électrons creusent un vide dans le vide entre la pointe conductrice du microscope et la surface de l'échantillon à examiner, fournissant des informations détaillées sur le comportement des électrons.

"Le problème est que, lorsque vous prenez des données comme ça et que vous les enregistrez, vous obtenez des données semblables à des images, mais ce n'est pas une image naturelle, comme une pomme ou une poire", a déclaré Kim. Les données générées par l'instrument ressemblent davantage à un motif, dit-elle, et environ 10 000 fois plus compliquées qu'une courbe de mesure traditionnelle. "Nous ne disposons pas d'un bon outil pour étudier ce type d'ensembles de données."

Pour interpréter ces données, les chercheurs ont simulé un environnement idéal et ajouté des facteurs susceptibles de modifier le comportement des électrons. Ils ont ensuite formé une sorte d'intelligence artificielle capable d'apprendre une tâche spécifique à l'aide de méthodes inspirées par le fonctionnement du cerveau, afin de reconnaître les circonstances associées à différentes théories. Lorsque les chercheurs ont entré les données expérimentales dans le réseau de neurones, les théories auxquelles les données réelles ressemblaient le plus ont été déterminées.

Cette méthode, a déclaré Kim, a confirmé l’hypothèse selon laquelle l’énergie de l’interaction répulsive était plus influente dans le comportement des électrons.

Une meilleure compréhension du nombre de personnes qui interagissent sur différents matériaux et dans différentes conditions mènera probablement à davantage de découvertes, a-t-elle déclaré, notamment au développement de nouveaux matériaux.

"Les matériaux qui ont conduit à la révolution initiale des transistors étaient en fait des matériaux assez simples. Nous avons maintenant la capacité de concevoir beaucoup plus complexe", a déclaré Kim. "Si ces puissants outils peuvent révéler des aspects importants conduisant à une propriété souhaitée, nous aimerions pouvoir fabriquer un matériau avec cette propriété."


Des niveaux d'énergie discrets sans confinement – une nouvelle astuce quantique


Plus d'information:
Yi Zhang et al. Apprentissage automatique dans des expériences d'imagerie de la matière quantique électronique, La nature (2019). DOI: 10.1038 / s41586-019-1319-8

Fourni par


Citation:
                                                 L'apprentissage automatique dévoile les mystères de la physique quantique (20 juin 2019)
                                                 récupéré le 20 juin 2019
                                                 à partir de https://phys.org/news/2019-06-machine-mysteries-quantum-physics.html

Ce document est soumis au droit d'auteur. Mis à part toute utilisation équitable à des fins d’étude ou de recherche privée, aucun
                                            partie peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.