Un schéma illustrant comment un réseau de neurones est utilisé pour faire correspondre les données de la microscopie à effet tunnel à une hypothèse théorique. Crédit :Université Cornell
Comprendre le comportement complexe des électrons a conduit à des découvertes qui ont transformé la société, comme la révolution informatique rendue possible par l'invention du transistor.
Aujourd'hui, grâce aux avancées technologiques, le comportement des électrons peut être étudié beaucoup plus en profondeur que par le passé, permettant potentiellement des percées scientifiques aussi révolutionnaires que l'ordinateur personnel. Cependant, les données que ces outils génèrent sont trop complexes à interpréter pour les humains.
Une équipe dirigée par Cornell a développé un moyen d'utiliser l'apprentissage automatique pour analyser les données générées par la microscopie à effet tunnel (STM) - une technique qui produit des images à l'échelle subatomique des mouvements électroniques dans les surfaces matérielles à des énergies variables, fournir des informations inaccessibles par toute autre méthode.
"Certaines de ces images ont été prises sur des matériaux jugés importants et mystérieux depuis deux décennies, " dit Eun-Ah Kim, professeur de physique. « Vous vous demandez quels types de secrets sont enfouis dans ces images. Nous aimerions les dévoiler. »
Kim est l'auteur principal de "Machine Learning in Electronic Quantum Matter Imaging Experiments, " qui a 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, un ancien chercheur postdoctoral dans le laboratoire de Kim maintenant à l'Université Paris-Sud en France.
Les co-auteurs incluent J.C. Séamus Davis, James Gilbert White, professeur distingué de Cornell en sciences physiques, un innovateur dans les études dirigées par la STM.
La recherche a fourni de nouvelles informations sur la façon dont les électrons interagissent et a montré comment l'apprentissage automatique peut être utilisé pour conduire de nouvelles découvertes en physique quantique expérimentale.
A l'échelle subatomique, un échantillon donné comprendra des milliards de milliards de milliards d'électrons interagissant les uns avec les autres et avec l'infrastructure environnante. Le comportement des électrons est déterminé en partie par la tension entre leurs deux tendances concurrentes :se déplacer, associé à l'énergie cinétique; et de rester loin les uns des autres, associée à l'énergie d'interaction répulsive.
Dans cette étude, Kim et ses collaborateurs ont entrepris de découvrir laquelle de ces tendances est la plus importante dans un matériau supraconducteur à haute température.
Contexte :une image expérimentale réelle de la densité électronique d'un des microscopes du groupe. Encart :l'architecture des ANN qui ont été formées pour « regarder » de telles images et rapporter quels états de la matière électronique y sont cachés. Crédit :JC Séamus Davis
À l'aide de la STM, les électrons passent à travers un vide entre la pointe conductrice du microscope et la surface de l'échantillon examiné, fournissant des informations détaillées sur le comportement des électrons.
"Le problème est, quand tu prends des données comme ça et que tu les enregistres, vous obtenez des données de type image, mais ce n'est pas une image naturelle, comme une pomme ou une poire, " a déclaré Kim. Les données générées par l'instrument ressemblent plus à un modèle, elle a dit, et environ 10, 000 fois plus compliqué qu'une courbe de mesure traditionnelle. "Nous n'avons pas un bon outil pour étudier ce genre d'ensembles de données."
Pour interpréter ces données, les chercheurs ont simulé un environnement idéal et ajouté des facteurs qui provoqueraient des changements dans le comportement des électrons. Ils ont ensuite entraîné un réseau de neurones artificiels, une sorte d'intelligence artificielle capable d'apprendre une tâche spécifique à l'aide de méthodes inspirées du fonctionnement du cerveau, pour reconnaître les circonstances associées à différentes théories. Lorsque les chercheurs entrent les données expérimentales dans le réseau de neurones, il a déterminé à laquelle des théories les données réelles ressemblaient le plus.
Cette méthode, Kim a dit, a confirmé l'hypothèse que l'énergie d'interaction répulsive était plus influente dans le comportement des électrons.
Une meilleure compréhension du nombre d'électrons interagissant sur différents matériaux et dans différentes conditions conduira probablement à plus de découvertes, elle a dit, y compris le 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 des matériaux beaucoup plus complexes, " a déclaré Kim. " Si ces outils puissants peuvent révéler des aspects importants menant à une propriété souhaitée, nous aimerions pouvoir fabriquer un matériau avec cette propriété."
