Conduit-il l'électricité ? Ou isoler contre l'électricité ? Les physiciens classent généralement les phases matérielles dans l'une ou l'autre. L'apprentissage automatique est un outil puissant pour la reconnaissance de formes et pourrait donc aider à identifier les phases de la matière. Cependant, l'apprentissage automatique a besoin d'un pont vers le monde quantique, où la physique des atomes, électrons, et les particules diffèrent de celles des objets plus gros ou des galaxies. Maintenant, les scientifiques ont fourni un pont, qu'ils appellent la technique de topographie en boucle quantique. Il s'agit d'un algorithme d'apprentissage automatique basé sur des réseaux de neurones. Il détecte avec une grande efficacité une phase exotique où l'électricité est conduite autour de la surface du matériau mais pas à travers le milieu. Aussi, il fait la distinction entre les isolants normaux et ces isolants topologiques exotiques.

Trouver rapidement des phases topologiques exotiques est vital pour de nouvelles, ordinateurs ultra-puissants. Trouver la phase isolante dans cette recherche n'est que le début de cette technique. La technique relie les réseaux de neurones à la théorie du monde quantique. Le monde quantique conduit souvent à des propriétés incroyables qui pourraient libérer de puissants, électronique économe en énergie. Cette technique donne aux scientifiques les outils nécessaires pour trouver et cartographier plus rapidement d'autres phases exotiques.

Il existe un intérêt croissant pour l'exploitation de l'apprentissage automatique pour répondre aux questions sur la physique de la matière condensée, comme les métaux et les isolants, y compris comment comprendre les interactions de nombreux électrons. Les systèmes quantiques peuvent avoir des espaces de paramètres exponentiellement grands, similaires aux grands ensembles de données d'images ou à l'analyse de données de consommation. Par conséquent, des algorithmes d'apprentissage automatique basés sur des réseaux de neurones pourraient également être entraînés pour identifier les phases quantiques. S'entraîner sur autant d'informations est difficile. Cependant, les informations pertinentes sont beaucoup plus petites. Le principal défi est d'extraire des informations essentielles de la densité électronique (alias fonction d'onde à plusieurs corps).

Dans cette étude, des scientifiques de l'Université Cornell ont réussi à relever ce défi. Ils ont extrait les données essentielles en utilisant un pont de topographie en boucle quantique. En appliquant ce pont quantique, une image multidimensionnelle est formée à partir de régions triangulaires, ou des boucles, dans le profil de densité électronique. Les signatures pour définir la phase guident la configuration de la boucle. La signature était d'un type particulier appelé conductivité de Hall. Les scientifiques ont ensuite transmis les images multidimensionnelles à un réseau de neurones entièrement connecté avec une seule couche cachée.

Les scientifiques ont démontré que le réseau de neurones pouvait être entraîné efficacement pour distinguer les isolants topologiques (par exemple, Isolateur Chern et isolant Chern fractionné) à partir d'isolateurs normaux avec une haute fidélité et une accélération significative par rapport aux méthodes standard. Ils ont essentiellement interfacé les réseaux de neurones et la reconnaissance d'images avec la théorie de la matière condensée. Ainsi, la topographie en boucle quantique a surmonté la « myopie topologique des algorithmes d'apprentissage automatique basés sur les réseaux de neurones » (point de vue de l'American Physical Society). Cette réalisation ouvre la voie à une identification plus rapide de l'ordre topologique et à l'obtention de plus de diagrammes de phase de matériaux exotiques.