Ένα μοντέλο τεχνητής νοημοσύνης κατάφερε να μετατρέψει ένα από τα πιο δυσεπίλυτα προβλήματα της φυσικής συμπυκνωμένης ύλης σε έναν πλήρως πλοηγήσιμο χάρτη. Το επίτευγμα αφορά το ανώμαλο φαινόμενο Hall, ένα φαινόμενο δεκαετιών που περιγράφει πώς κινούνται τα ηλεκτρόνια μέσα σε ορισμένα μαγνητικά υλικά. Πίσω από την έρευνα βρίσκεται ομάδα επιστημόνων με επικεφαλής το Πανεπιστήμιο του Ναντζίνγκ, ενώ τα ευρήματα δημοσιεύθηκαν στο επιστημονικό περιοδικό National Science Review. Η νέα μέθοδος υπόσχεται να δώσει στους φυσικούς μια συντόμευση προς καταστάσεις υλικών που είναι ιδιαίτερα περιζήτητες στη σύγχρονη ηλεκτρονική.
Τι έγινε: από το χάος σε 13 κατηγορίες
Το ανώμαλο φαινόμενο Hall εμφανίζεται όταν τα ηλεκτρόνια που διασχίζουν ένα μαγνητικό υλικό συμπεριφέρονται με τρόπο που ξεπερνά τις προβλέψεις του κλασικού φαινομένου Hall. Η παραδοσιακή θεωρία του Drude προβλέπει ότι η αντίσταση ενός υλικού μεταβάλλεται με συγκεκριμένο τρόπο καθώς τα ηλεκτρόνια κινούνται μέσα σε μαγνητικό πεδίο. Τα συστήματα που εμφανίζουν το ανώμαλο φαινόμενο Hall παραβιάζουν όμως αυτόν τον κανόνα, παράγοντας καμπύλες αντίστασης με διπλές κορυφές, πλατώ και μη κορεσμένα σχήματα. Η πολυπλοκότητα αυτή μεγαλώνει ακόμη περισσότερο όταν πολλαπλές ενεργειακές ζώνες ηλεκτρονίων είναι ενεργές κοντά στη στάθμη Fermi, κάτι που μέχρι σήμερα καθιστούσε αδύνατη τη δημιουργία ενός ενιαίου χάρτη ανάμεσα στις ηλεκτρονικές ιδιότητες και τις παρατηρούμενες συμπεριφορές αντίστασης.
Για να ξεπεράσουν το εμπόδιο, οι ερευνητές του Ναντζίνγκ δημιούργησαν ένα τεράστιο σύνολο δεδομένων με περισσότερες από 2,27 εκατομμύρια καμπύλες μαγνητοαντίστασης, βασισμένο σε ένα μοντέλο δύο ενεργειακών ζωνών που κάλυπτε πέντε διαφορετικές ηλεκτρονικές παραμέτρους. Στη συνέχεια εφάρμοσαν έναν αλγόριθμο μη επιβλεπόμενης μάθησης πάνω σε αυτόν τον όγκο δεδομένων, χωρίς να του δώσουν καμία επιπλέον οδηγία πέρα από την εντολή να εντοπίσει μοτίβα. Το αποτέλεσμα ξάφνιασε ακόμη και τους ίδιους τους επιστήμονες: όλες οι καμπύλες συμπτύχθηκαν σε μόλις 13 ξεχωριστούς τύπους.
Πλαίσιο: ένα νευρωνικό δίκτυο με ακρίβεια 99%
Μετά την αρχική ταξινόμηση, η ομάδα εκπαίδευσε ένα νευρωνικό δίκτυο το οποίο ανέλαβε να κατατάσσει νέες καμπύλες μαγνητοαντίστασης στις ίδιες 13 κατηγορίες, πετυχαίνοντας ακρίβεια 99%. Έτσι, ένα σύνολο δεδομένων που αρχικά έμοιαζε ανεξέλεγκτο μετατράπηκε σε ένα εργαλείο που λειτουργεί σχεδόν σαν πρακτικός οδηγός για τους ερευνητές. Παράλληλα, η ομάδα κατασκεύασε διαγράμματα φάσεων και τοπολογικά δίκτυα, τα οποία δείχνουν οπτικά πώς η μεταβολή μίας και μόνο ηλεκτρονικής παραμέτρου μπορεί να μετατοπίσει ένα υλικό από έναν τύπο καμπύλης αντίστασης σε έναν εντελώς διαφορετικό.
Η σημασία της δουλειάς έγκειται στο ότι μετατρέπει ένα πρόβλημα με υπερβολικά πολλές μεταβλητές, το οποίο ήταν πρακτικά αδύνατο να αναλυθεί με το χέρι, σε έναν συστηματικό χάρτη. Οι φυσικοί μπορούν πλέον να προβλέπουν πώς θα συμπεριφερθεί ένα υλικό ανάλογα με τη ρύθμιση των ηλεκτρονικών του ιδιοτήτων, χωρίς να χρειάζεται να ξεκινούν από το μηδέν κάθε φορά που εξετάζουν μια νέα καμπύλη μαγνητοαντίστασης. Το εργαλείο αυτό θα μπορούσε να επιταχύνει την αναζήτηση υλικών με ιδιότητες που είναι κρίσιμες για την ανάπτυξη νέων ηλεκτρονικών εφαρμογών, αξιοποιώντας το ανώμαλο φαινόμενο Hall ως σημείο εκκίνησης για βαθύτερη κατανόηση της συμπεριφοράς των ηλεκτρονίων.
