Les scientifiques cherchent à utiliser des matériaux quantiques - ceux qui ont un ordre corrélé au niveau subatomique - pour les appareils électroniques, ordinateurs quantiques, et supraconducteurs. Les matériaux quantiques doivent beaucoup de leurs propriétés à la physique qui se produit aux plus petites échelles, une physique entièrement mécanique quantique.

Certains matériaux, tels que les matériaux magnétiques complexes, partager des points communs avec les matériaux quantiques, et les scientifiques peuvent les étudier dans le but de mieux comprendre les matériaux quantiques et de comprendre leur capacité à exister dans de nombreuses configurations électroniques différentes. Comprendre les interactions qui se produisent au sein des matériaux magnétiques quantiques et complexes, cependant, nécessite des méthodes d'enquête rigoureuses.

L'une de ces méthodes est la diffusion des neutrons, dans lequel des particules neutres appelées neutrons sont dispersées sur un matériau pour découvrir ses propriétés microscopiques à partir des interactions résultantes. Cependant, reconstruire la structure et les propriétés d'un matériau s'avère difficile, même pour les experts chevronnés.

Pour la première fois, une équipe du laboratoire national d'Oak Ridge (ORNL) du département américain de l'Énergie (DOE) utilise l'intelligence artificielle (IA) pour trouver des modèles dans les données de diffusion des neutrons qui peuvent conduire à une compréhension de la physique à l'intérieur des matériaux magnétiques quantiques ou complexes. Dirigé par Alan Tennant, Chef d'initiative pour les matériaux quantiques à l'ORNL, l'équipe a récemment formé un réseau de neurones artificiels (ANN) pour interpréter avec succès les données d'une expérience de diffusion de neutrons réalisée à la source de neutrons de spallation (SNS) de l'ORNL. L'équipe a formé le réseau en lui fournissant des données provenant de simulations de diffusion de neutrons effectuées sur des systèmes de l'Oak Ridge Leadership Computing Facility (OLCF), y compris le Cray XK7 Titan déclassé du centre. L'une des machines les plus puissantes de son époque, Titan continue de fournir à la communauté scientifique de nouvelles découvertes même après son retrait à l'automne dernier.

"Avant, quand tu ferais une expérience, vous n'étiez pas tout à fait sûr d'avoir obtenu le bon résultat, " dit Tennant. " Avec ce réseau de neurones, nous pouvons être confiants dans la réponse en raison de la formation approfondie que le réseau a dû suivre. De tous les cas possibles qu'il rencontre, il peut trouver la solution optimale."

Le réseau peut révéler de nouvelles informations sur les expériences de diffusion de neutrons en cours et même donner un aperçu des expériences qui seraient les plus bénéfiques à mener à l'avenir.

Les résultats de l'étude ont été publiés récemment dans Communication Nature , et l'équipe poursuit les travaux sur l'IBM AC922 Summit de 200 pétaflops de l'OLCF, le supercalculateur le plus puissant du monde.

Au-delà de l'humain

Lorsque les scientifiques réalisent des expériences de diffusion de neutrons au SNS, ils doivent tenir compte des nombreux scénarios possibles qui ont pu façonner le schéma de diffusion. Déchiffrer les neutrons qui se dispersent sur la matière devient un casse-tête, et les humains qui ont une vaste expérience avec les données de diffusion des neutrons ont traditionnellement été invoqués pour former des hypothèses réalisables sur la structure du matériau sur la base des modèles de diffusion qu'ils voient.

Les chercheurs qui effectuent ces expériences peuvent généralement proposer de nombreux scénarios différents pour l'hamiltonien d'un matériau, l'expression de l'énergie du matériau qui décrit complètement ses propriétés. Mais ils ne peuvent probablement pas expliquer chacun d'entre eux, en particulier dans les matériaux tels que les glaces de spin. Faire tourner les glaces, analogues magnétiques des glaces, sont censés posséder des états magnétiques exotiques où les pôles magnétiques nord et sud peuvent se séparer et se comporter indépendamment, quelque chose que les autres aimants sont incapables de faire. La détermination des interactions sous-jacentes dans ces matériaux s'est avérée très difficile, toutefois.

Former un ANN, un type d'apprentissage automatique qui peut analyser les modèles de données et fonctionne de manière similaire aux réseaux neuronaux dans un cerveau humain, est une solution possible.

"Les humains ne peuvent jamais traverser tous les scénarios, parce qu'il y a toujours ceux auxquels tu n'as jamais pensé, " dit Anjana Samarakoon, un associé de recherche postdoctoral à ORNL qui a travaillé en étroite collaboration avec Tennant sur le projet. "Mais un ordinateur peut passer en revue des centaines de milliers de scénarios et résumer les informations pour vous. Et ainsi, il devient en quelque sorte fiable - il résout l'un de vos gros problèmes."

L'équipe a formé un auto-encodeur - un type d'ANN souvent utilisé pour compresser et recréer des images - en utilisant des dizaines de milliers de simulations (plus de 50 milliards de calculs) sur les ressources de supercalcul de l'OLCF, une installation d'utilisateurs du DOE Office of Science à l'ORNL. L'équipe a pu simuler beaucoup plus de scénarios qu'un humain n'est capable d'en examiner. L'équipe a également découvert que l'ANN filtre le bruit expérimental pour extraire uniquement les informations les plus importantes des données de diffusion brutes afin de recréer la structure d'un matériau.

"Il fait ce que fait un expert, mais il fait quelque chose bien au-delà, " a déclaré Samarakoon. " Cela peut faire dix mille modèles au lieu de la simple centaine qu'un humain peut faire. "

Les mystères du verre

Après que les chercheurs l'aient formé, l'ANN a pu comparer les données simulées avec les données expérimentales de diffusion enregistrées par l'instrument CORELLI au SNS, qui est conçu pour sonder le désordre dans des matériaux tels que le verre. L'ANN a capturé avec précision les données pour 1, 024 sites dans le matériel Dy 2 Ti 2 O 7 , une glace de spin qui a des propriétés vitreuses à basse température.

"Nous ne connaissons pas la physique derrière pourquoi les lunettes fonctionnent, " a déclaré Tennant. "Mais ce matériau se prête à l'étude en raison des mathématiques étonnantes que nous pouvons utiliser pour le comprendre. Oak Ridge est un endroit où nous pouvons vraiment faire des recherches sur ce genre de matériaux complexes. »

L'équipe a utilisé l'environnement de calcul et de données pour la science (CADES) de l'ORNL en combinaison avec les systèmes de l'OLCF pour une analyse plus approfondie des simulations. Après avoir formé le réseau avec les simulations, il a finalement déterminé un modèle hamiltonien pour décrire les propriétés magnétiques du matériau, y compris le point où il se transforme en quelque chose qui ressemble à du verre.

Maintenant, l'équipe forme des réseaux de neurones plus profonds sur Summit pour mieux comprendre les matériaux quantiques de type verre.

"Nous avons pu faire toutes les simulations dont nous avions besoin pour les exemples de formation à l'OLCF, " dit Samarakoon. " Avec Summit, nous pouvons exploiter des réseaux encore plus profonds de manière plus interactive et explorer encore plus d'inconnus."