El uso del aprendizaje automático para analizar los datos sobre movimientos de electrones generados por una técnica de imágenes a escala subatómica ha desvelado misterios de la física cuántica.
Un equipo liderado por la Universidad de Cornell ha podido así adentrarse en el análisis de las imágenes generadas por microscopía de exploración de túneles (STM) sobre la interacción de los electrones en superficies de materiales con diferentes energías, proporcionando información inalcanzable mediante cualquier otro método.
“Algunas de esas imágenes fueron tomadas en materiales que se han considerado importantes y misteriosos durante dos décadas”, dijo Eun-Ah Kim, profesor de física. “Uno se pregunta qué tipo de secretos están ocultos en esas imágenes. Nos gustaría desbloquear esos secretos”.
Kim es autor principal de “Machine Learning en Electronic Quantum Matter Imaging Experiments”, que se publicó en Nature el 19 de junio.
La investigación arrojó nuevos conocimientos sobre cómo interactúan los electrones, y mostró cómo se puede usar el aprendizaje automático para impulsar un mayor descubrimiento en la física cuántica experimental.
En la escala subatómica, una muestra dada incluirá billones de billones de electrones que interactúan entre sí y con la infraestructura circundante. El comportamiento de los electrones está determinado en parte por la tensión entre sus dos tendencias en competencia: moverse, asociado con la energía cinética; y permanecer lejos el uno del otro, asociado con la energía de interacción repulsiva.
En este estudio, Kim y sus colaboradores se dispusieron a descubrir cuál de estas tendencias es más importante en un material superconductor de alta temperatura.
Mediante el uso de STM, los electrones hacen un túnel a través del vacío entre la punta conductora del microscopio y la superficie de la muestra que se está examinando, proporcionando información detallada sobre el comportamiento de los electrones.
“El problema es que cuando tomas datos como esos y los grabas, obtienes datos de imagen, pero no es una imagen natural, como una manzana o una pera”, dijo Kim. Los datos generados por el instrumento son más como un patrón, dijo, y unas 10.000 veces más complicados que una curva de medición tradicional. “No tenemos una buena herramienta para estudiar ese tipo de conjuntos de datos”.
Para interpretar estos datos, los investigadores simularon un entorno ideal y agregaron factores que podrían causar cambios en el comportamiento de los electrones. Luego entrenaron una red neuronal artificial, un tipo de inteligencia artificial que puede aprender una tarea específica utilizando métodos inspirados en cómo funciona el cerebro, para reconocer las circunstancias asociadas con diferentes teorías.
Cuando los investigadores ingresaron los datos experimentales en la red neuronal, determinaron cuál de las teorías se parecía más a los datos reales.
Este método, dijo Kim, confirmó la hipótesis de que la energía de interacción repulsiva era más influyente en el comportamiento de los electrones.
Una mejor comprensión de cuántos electrones interactúan en diferentes materiales y en diferentes condiciones probablemente llevará a más descubrimientos, dijo, incluido el desarrollo de nuevos materiales.
“Los materiales que llevaron a la revolución inicial de los transistores eran en realidad materiales bastante simples. Ahora tenemos la capacidad de diseñar materiales mucho más complejos”, dijo Kim. “Si estas poderosas herramientas pueden revelar aspectos importantes que conducen a una propiedad deseada, nos gustaría poder hacer un material con esa propiedad”.
Fuente: europapress.es