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！

掘金入眠刈

科学家们试图将量子材料，即那些在亚原子水平上具有相关顺序的材料用于电子器件、量子计算机和超导体。量子材料的许多性质，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。一些材料，如复杂的磁性材料，与量子材料有共同点，科学家可以研究这些材料，以便更好地理解量子材料，并了解它们在许多不同电子配置中存在的能力。


然而，理解量子和复杂磁性材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材料上散射出来，从产生的相互作用中揭示其微观性质。然而，事实证明，即使对经验丰富的专家来说，重建材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复杂磁性材料内部物理的理解。


在橡树岭国家实验室量子材料倡议负责人Alan Tennant的带领下，研究团队训练了一个人工神经网络(ANN)，成功地解释了散裂中子源(SNS)进行的中子散射实验数据，通过向该网络提供在橡树岭领导力计算设施(OLCF)的系统上，执行中子散射模拟数据来训练该网络，包括该中心退役的Cray XK7泰坦。泰坦是当时最强大的机器之一，即使在去年秋天退休后，它仍在继续为科学界提供新的发现。


以前，当要做实验时，不能完全确定得到了正确的结果，有了这个神经网络，可以对答案充满信心，因为这个网络必须经过广泛的训练。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。该神经网络可以揭示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。其研究成果发表在《自然通讯》期刊上，研究小组正在继续OLCF的200petaflop IBM AC922峰会工作，这是世界上最强大的超级计算机之一。
超越人类
当科学家在SNS进行中子散射实验时，必须考虑到可能形成散射模式的许多可能的情况。破译从材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丰富经验的人，根据他们看到的散射模式来确定关于材料结构的可行假设。进行这些实验的研究人员，通常可以为一种材料的哈密顿量（完全描述其性质的材料能量表达式）想出许多不同的情景。但它们不可能解释每一个单独的原因，特别是在自旋冰这样的材料中。


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，南北磁极可以分离并独立运行，这是其他磁体无法做到的。然而，确定这些材料中潜在的相互作用，已被证明是非常具有挑战性的。训练人工神经网络(ANN)是一种可能的解决方案，它是一种机器学习，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。人类永远不可能经历所有的情况，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，计算机变得某种程度上是可靠的。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）进行了培训，使用超过500亿次计算对OLCF的超级计算资源进行了培训，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，以重建材料的结构。计算机可以做一万个模型，而不是一个人类只能做简单的100个左右。
玻璃类量子材料
在研究人员对其进行训练后，ANN可以将模拟数据与SNS的Corelli仪器记录的实验散射数据进行比较，Corelli仪器旨在探测玻璃等材料中的无序。ANN准确地捕捉了材料Dy2Ti2O7中1024个地点的数据，Dy2Ti2O7是一种自旋冰，在低温下具有玻璃样的属性。这种材料适合研究，因为可以用令人惊叹的数学来理解它，橡树岭国家实验室是一个可以真正对这些复杂材料进行研究的地方。


研究使用ORNL的计算和数据科学环境(CADES)与OLCF的系统进行进一步模拟分析。在用模拟对网络进行训练后，最终确定了一个模型哈密顿量来描述材料的磁性，包括它变成类似玻璃的东西的点。现在，该团队正在Summit上训练更深层次的神经网络，以进一步了解玻璃类量子材料。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，探索更多未知的东西。


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