Les températures extrêmes peuvent faire des choses étranges aux métaux. Par grosse chaleur, le fer cesse d'être magnétique. Dans un froid dévastateur, le plomb devient supraconducteur.

Depuis 30 ans, les physiciens ont été déconcertés par ce qui arrive exactement au siliciure d'uranium et de ruthénium (URu 2 Si 2 ) à 17,5 kelvin (moins 256 degrés Celsius). En mesurant la capacité calorifique et d'autres caractéristiques, ils peuvent dire qu'il subit une sorte de transition de phase, mais c'est tout ce que n'importe qui peut dire avec certitude. De nombreuses théories abondent.

Une collaboration Cornell dirigée par le physicien Brad Ramshaw, le professeur adjoint Dick &Dale Reis Johnson au Collège des arts et des sciences, a utilisé une combinaison d'ultrasons et d'apprentissage automatique pour affiner les explications possibles de ce qui arrive à ce matériau quantique lorsqu'il entre dans ce soi-disant "ordre caché".

Leur papier, "Paramètre de commande à un composant dans URu 2 Si 2 Uncovered by Resonant Ultrasound Spectroscopy and Machine Learning" publié le 6 mars dans Avancées scientifiques .

"Dans le siliciure d'uranium ruthénium, nous n'avons aucune idée de ce que font les électrons dans l'état d'ordre caché, " dit Ramshaw, l'auteur principal de l'article. "Nous savons qu'ils ne deviennent pas magnétiques, nous savons qu'ils ne deviennent pas supraconducteurs, mais que font-ils ? Il y a beaucoup de possibilités—ordre orbital, ondes de densité de charge, transitions de valence, mais il est difficile de distinguer ces différents états de la matière. Donc les électrons se cachent, ' dans ce sens."

Ramshaw et son doctorant Sayak Ghosh ont utilisé la spectroscopie ultrasonore haute résolution pour examiner les propriétés de symétrie d'un monocristal d'URu2Si2 et comment ces propriétés changent au cours de la transition de phase d'ordre caché. La plupart des transitions de phase s'accompagnent d'un changement des propriétés de symétrie. Par exemple, les solides ont tous leurs atomes alignés de manière organisée, alors que les liquides ne le font pas. Ces changements de symétrie ne sont pas toujours évidents, et peut être difficile à détecter expérimentalement.

"En regardant la symétrie, nous n'avons pas besoin de connaître tous les détails sur ce que fait l'uranium, ou ce que fait le ruthénium. Nous pouvons simplement analyser à quoi ressemble la symétrie du système avant la transition de phase, et comment il s'occupe, " a déclaré Ramshaw. " Et cela nous permet de prendre ce tableau des possibilités que les théoriciens ont proposé et de dire, 'Bien, ceux-ci ne sont pas compatibles avec la symétrie avant et après la transition de phase, mais ceux-ci le sont. C'est bien, car il est rare que vous puissiez faire des déclarations aussi définitives par oui et par non."

Cependant, les chercheurs ont rencontré un problème. Pour analyser les données échographiques, ils le modéliseraient normalement avec la mécanique ondulatoire. Mais pour étudier la forme la plus pure de URu2Si2, ils ont dû utiliser un plus petit, échantillon plus propre. Cette "petite puce hexagonale de forme étrange, " Ramshaw a dit, était trop petit et avait trop d'incertitude pour une solution simple de la mécanique des vagues.

Alors Ramshaw et Ghosh se sont tournés vers Eun-Ah Kim, professeur de physique et co-auteur de l'article, et son doctorant Michael Matty, pour produire un algorithme d'apprentissage automatique qui pourrait analyser les données et découvrir des modèles sous-jacents.

"L'apprentissage automatique n'est pas seulement pour des données de type image ou des données volumineuses, ", a déclaré Kim. "Cela peut changer radicalement l'analyse de toutes les données dont la complexité échappe à la modélisation manuelle."

"C'est dur, parce que les données ne sont qu'une liste de nombres. Sans aucune sorte de méthode, il n'a pas de structure, et il est impossible d'en tirer quoi que ce soit, " dit Matty, le co-auteur principal de l'article avec Ghosh. "L'apprentissage automatique est vraiment bon pour apprendre des fonctions. Mais vous devez faire la formation correctement. L'idée était, il existe une fonction qui mappe cette liste de nombres à une classe de théories. Étant donné un ensemble de données numériquement approchées, nous pourrions faire ce qui est effectivement une régression pour apprendre une fonction qui interprète les données pour nous."

Les résultats de l'algorithme d'apprentissage automatique ont éliminé environ la moitié des plus de 20 explications probables de l'ordre caché. Cela ne résoudra peut-être pas encore l'énigme URu2Si2, mais il a créé une nouvelle approche pour s'attaquer aux problèmes d'analyse de données en physique expérimentale.

L'algorithme de l'équipe peut être appliqué à d'autres matériaux et techniques quantiques, notamment la spectroscopie par résonance magnétique nucléaire (RMN), le processus fondamental derrière l'imagerie par résonance magnétique (IRM). Ramshaw prévoit également d'utiliser la nouvelle technique pour s'attaquer aux géométries indisciplinées du tellurure d'uranium, un supraconducteur topologique potentiel qui pourrait être une plate-forme pour l'informatique quantique.