科学家首次使用人工智能，在中子数据中，寻找亚原子水平的秘密！

科学家们试图将量子质料，即那些在亚原子水平上具有相关顺序的质料用于电子器件、量子盘算机和超导体。量子质料的许多性质，都归功于发生在最小尺度上的物理，完全是量子力学的物理。一些质料，如庞大的磁性质料，与量子质料有配合点，科学家可以研究这些质料，以便更好地明白量子质料，并相识它们在许多差别电子设置中存在的能力。

然而，明白量子和庞大磁性质料中发生相互作用需要严格的研究方法。一种这样的方法是中子散射，在这种方法中，被称为中子的中性粒子从质料上散射出来，从发生的相互作用中展现其微观性质。然而，事实证明，纵然对履历富厚的专家来说，重建质料的结构和性能也具有挑战性。美国能源部橡树岭国家实验室(ORNL)的科学家，首次使用人工智能(AI)在中子散射数据中寻找模式，这些模式可以导致对量子或庞大磁性质料内部物理的明白。

在橡树岭国家实验室量子质料倡议卖力人Alan Tennant的领导下，研究团队训练了一小我私家工神经网络(ANN)，乐成地解释了散裂中子源(SNS)举行的中子散射实验数据，通过向该网络提供在橡树岭向导力盘算设施(OLCF)的系统上，执行中子散射模拟数据来训练该网络，包罗该中心退役的Cray XK7泰坦。泰坦是其时最强大的机械之一，纵然在去年秋天退休后，它仍在继续为科学界提供新的发现。

以前，当要做实验时，不能完全确定获得了正确的效果，有了这个神经网络，可以对谜底充满信心，因为这个网络必须经由广泛的训练。在它遇到的所有可能情况中，它都可以找到最优的解决方案。该神经网络可以展现当前中子散射实验的新信息，甚至可以洞察未来哪些实验最有利于运行。其研究结果揭晓在《自然通讯》期刊上，研究小组正在继续OLCF的200petaflop IBM AC922峰会事情，这是世界上最强大的超级盘算机之一。

逾越人类

当科学家在SNS举行中子散射实验时，必须思量到可能形成散射模式的许多可能的情况。破译从质料上散射出来的中子成了一个谜，人们传统上一直依赖对中子散射数据有富厚履历的人，凭据他们看到的散射模式来确定关于质料结构的可行假设。举行这些实验的研究人员，通常可以为一种质料的哈密顿量（完全形貌其性质的质料能量表达式）想出许多差别的情景。但它们不行能解释每一个单独的原因，特别是在自旋冰这样的质料中。

自旋冰是冰的磁性类似物，被认为具有奇异的磁性状态，在这种状态下，南北磁极可以分散并独立运行，这是其他磁体无法做到的。然而，确定这些质料中潜在的相互作用，已被证明是很是具有挑战性的。训练人工神经网络(ANN)是一种可能的解决方案，它是一种机械学习，可以分析数据中的模式，并以类似于人脑中神经网络的方式运行。人类永远不行能履历所有的情况，因为总有一些你从未想过的情况。但一台电脑却可以有数十万种情况，并能为科学家总结信息。

因此，盘算机变得某种水平上是可靠的。该团队对自动编码器（一种经常用于压缩和重建图像的人工神经网络）举行了培训，使用凌驾500亿次盘算对OLCF的超级盘算资源举行了培训，OLCF是美国能源部(DOE)位于ORNL的科学用户设施办公室的一个机构。能够模拟比人类能够检查的更多场景，发现，人工神经网络过滤掉实验噪音，只从原始散射数据中提取最重要的信息，以重建质料的结构。盘算机可以做一万个模型，而不是一小我私家类只能做简朴的100个左右。

玻璃类量子质料

在研究人员对其举行训练后，ANN可以将模拟数据与SNS的Corelli仪器记载的实验散射数据举行比力，Corelli仪器旨在探测玻璃等质料中的无序。ANN准确地捕捉了质料Dy2Ti2O7中1024个所在的数据，Dy2Ti2O7是一种自旋冰，在低温下具有玻璃样的属性。这种质料适合研究，因为可以用令人赞叹的数学来明白它，橡树岭国家实验室是一个可以真正对这些庞大质料举行研究的地方。

研究使用ORNL的盘算和数据科学情况(CADES)与OLCF的系统举行进一步模拟分析。在用模拟对网络举行训练后，最终确定了一个模型哈密顿量来形貌质料的磁性，包罗它酿成类似玻璃的工具的点。现在，该团队正在Summit上训练更深条理的神经网络，以进一步相识玻璃类量子质料。完成OLCF训练示例所需的所有模拟，有了Summit，就可以以一种更具互动性的方式运行神经网络，探索更多未知的工具。

博科园｜研究/来自：橡树岭国家实验室

参考期刊《自然通讯》

博科园｜科学、科技、科研、科普

关注【博科园】看更多大美宇宙科学