Science

AI 덕분에 이제 100,000개의 방정식이 있는 초전도 모델에 4개만 포함됩니다. : ScienceAlert

Advertisements

격자 모양의 격자를 통해 윙윙거리는 전자는 핀볼 기계의 예쁜 은색 구체처럼 전혀 행동하지 않습니다. 그들은 계산은 고사하고 상상하기 힘든 파도 같은 현실의 변덕을 따라 집단 춤을 추며 흐릿하고 구부러집니다.

그러나 과학자들은 시뮬레이션에서 정사각형 격자 주위를 움직이는 전자의 움직임을 포착하여 지금까지 수십만 개의 개별 방정식을 생성하는 데 성공했습니다.

인공 지능(AI)을 사용하여 해당 작업을 단 4개의 방정식으로 줄임으로써 물리학자들은 복잡한 양자 물질의 출현 속성을 훨씬 더 관리하기 쉽게 연구하는 작업을 수행했습니다.

그렇게 함으로써, 이 컴퓨팅 위업은 양자 물리학의 가장 다루기 힘든 문제 중 하나인 ‘다전자’ 문제를 해결하는 데 도움이 될 수 있습니다.

그것은 또한 고체 상태 물질의 전자 거동을 예측하기 위한 진정한 전설적인 도구인 Hubbard 모델을 발전시키는 동시에 초전도와 같은 물질의 편리한 단계가 어떻게 발생하는지에 대한 이해를 향상시킬 수 있습니다.

초전도는 전자의 전류가 물질을 통해 방해받지 않고 흐를 때 발생하는 이상한 현상으로, 한 지점에서 다른 지점으로 미끄러질 때 거의 에너지를 잃지 않습니다. 불행히도, 그러한 상태를 만드는 가장 실용적인 수단은 엄청나게 높은 압력은 아니지만 엄청나게 낮은 온도에 의존합니다. 실온에 가까운 초전도성을 활용하면 훨씬 더 효율적인 전력망 및 장치를 만들 수 있습니다.

보다 합리적인 조건에서 초전도성을 달성하는 것이 높은 목표로 남아 있기 때문에 물리학자들은 전자가 다양한 상황에서 어떻게 행동할 수 있는지, 따라서 어떤 재료가 적절한 전도체 또는 절연체를 만드는지 예측하기 위해 모델을 사용했습니다.

이 모델에는 작업이 잘립니다. 전자는 결국 위치와 궤도가 명확하게 정의된 작은 공처럼 원자 네트워크를 통과하지 않습니다. 그들의 활동은 주변 환경뿐만 아니라 도중에 부딪힌 다른 전자와의 상호 작용의 역사에 의해 영향을 받는 확률의 엉망입니다.

전자가 상호 작용할 때 그들의 운명은 밀접하게 얽히거나 ‘얽히게’ 될 수 있습니다. 한 전자의 거동을 시뮬레이션한다는 것은 모델 시스템에 있는 모든 전자의 가능성 범위를 한 번에 추적하는 것을 의미하므로 계산 문제가 기하급수적으로 어려워집니다.

Hubbard 모델은 원자 격자를 통한 전자의 혼란스러운 움직임을 다소 정확하게 설명하는 수십 년 된 수학적 모델입니다. 수년에 걸쳐 물리학자들의 기쁨을 주기 위해 믿을 수 없을 정도로 단순한 모델이 다양한 복잡한 재료의 거동에서 실험적으로 실현되었습니다.

계속해서 증가하는 컴퓨터 성능으로 연구원들은 기본 격자의 토폴로지 역할을 파악할 수 있는 Hubbard 모델 물리학을 기반으로 하는 수치 시뮬레이션을 개발했습니다.

예를 들어 2019년에 연구원들은 허블 모델을 수행하여 극저온보다 높은 초전도성을 나타낼 수 있어 연구자들이 이 모델을 사용하여 현장에 대한 더 깊은 통찰력을 얻을 수 있도록 했습니다.

Advertisements

이 새로운 연구는 필요한 방정식의 수를 크게 단순화하는 또 다른 큰 도약이 될 수 있습니다. 연구원들은 물리학자들이 온도와 같은 속성이 변경될 때 재료 시스템의 변화를 탐색하는 데 사용하는 재정규화 그룹이라는 수학적 장치를 개선하기 위해 기계 학습 알고리즘을 개발했습니다.

이탈리아 볼로냐 대학의 물리학자이자 주저자인 Domenico Di Sante는 팀이 개발한 프로그램에 대해 “이것은 본질적으로 숨겨진 패턴을 발견할 수 있는 능력을 가진 기계입니다.”라고 말했습니다.

“우리는 이 모든 결합 미분 방정식의 거대한 개체로 시작합니다. 각각은 얽힌 전자 쌍을 나타냅니다. 그런 다음 기계 학습을 사용하여 손가락으로 셀 수 있을 정도로 작은 것으로 변환합니다.”라고 Di Sante가 말했습니다. 그들의 접근 방식을 말합니다.

연구원들은 데이터 기반 알고리즘이 정확도를 희생하지 않고 소수의 방정식(정확하게는 4개)만 사용하여 Hubbard 모델의 역학을 효율적으로 학습하고 요약할 수 있음을 보여주었습니다.

“결과를 보고 ‘우와, 기대 이상이다’라고 감탄했다. 관련 물리학을 포착할 수 있었습니다.”라고 Di Sante는 말합니다.

데이터를 사용하여 기계 학습 프로그램을 훈련하는 데 몇 주가 걸렸지만 Di Sante와 동료들은 이제 다른 응집 물질 문제를 해결하는 데 적용할 수 있다고 말합니다.

지금까지 시뮬레이션은 격자 네트워크에서 상대적으로 적은 수의 변수만 포착했지만 연구원들은 그들의 방법이 다른 시스템으로 상당히 확장 가능해야 할 것으로 예상합니다.

그렇다면 미래에 청정 에너지 생성을 포함하는 응용 분야에 대한 전도성 재료의 적합성을 테스트하거나 언젠가는 파악하기 어려운 실온 초전도성을 제공할 수 있는 재료 설계를 지원하는 데 사용될 수 있습니다.

실제 테스트는 전자가 장거리에서 상호 작용하는 물질과 같은 더 복잡한 양자 시스템에서 접근 방식이 얼마나 잘 작동하는지 연구원들이 지적합니다.

현재 이 연구는 AI를 사용하여 동적 전자의 간결한 표현을 추출할 수 있는 가능성을 보여줍니다. “많은 전자 문제를 해결하기 위한 최첨단 양자장 이론적인 방법의 성공에 가장 중요한 목표”라고 연구진은 결론지었습니다. 요약.

연구는 물리적 검토 편지.

Advertisements

Comments

comments

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button