極端溫度會對金屬造成奇怪的影響,比如在高溫下,磁鐵不再具有磁性,在極低溫度下,鉛變成了超導體。在過去的30年裡,物理學家們一直被17.5開爾文(零下256攝氏度)的鈾釕矽化物(URU2Si2)到底發生了什麼弄糊塗了。通過測量熱容和其他特徵,可以說鈾釕矽化物經歷了某種類型的相變,這是任何人都能肯定的,其各種各樣的理論比比皆是。
由文理學院Dick&Dale Reis Johnson助理教授、物理學家布拉德·拉姆肖(Brad Ramshaw)領導的康奈爾大學(Cornell)一項合作,利用超聲波和機器學習的組合,縮小了對這種量子材料進入所謂的「隱藏秩序」時會發生什麼的可能解釋,其研究成果發表在《科學進展》科學期刊上。
研究的資深作者拉姆肖說:在鈾釕矽化物中,我們不知道電子在隱藏有序狀態下做什麼。知道它們不會變得有磁性,知道它們不會變成超導,但它們在做什麼呢?有很多可能性,如軌道順序、電荷密度波、價態躍遷,但很難區分這些不同的物質狀態。
因此,從這個意義上說,電子是『隱藏』的。研究團隊使用高解析度超聲波光譜研究了鈾釕矽化物單晶的對稱特性,以及這些特性在隱藏的有序相變過程中是如何變化的。大多數相變都伴隨著對稱性的變化,例如,固體的所有原子都以一種有組織的方式排列,而液體則不是這樣。這些對稱性的變化並不總是明顯,可能很難通過實驗檢測到。
通過觀察對稱性,我們不必知道鈾在做什麼,或者釕在做什麼的所有細節。只需要分析系統的對稱性在相變之前是什麼樣子,以及它在相變之後是什麼樣子就可以了。這讓研究人員拿出了理論家提出的可能性表,然後說,嗯,這些與相變前後的對稱性不一致,但這些是一致的。這很好,因為很少能做出如此明確的是與否的聲明。
然而,研究人員遇到了一個問題,為了分析超聲數據,通常會用波動力學對其進行建模。但為了研究最純淨的鈾釕矽化物,他們不得不使用更小、更乾淨的樣本。這個「形狀奇特的小六邊形晶片」太小了,對於直接的波力學解決方案來說,有太多的不確定性。因此,拉姆肖和高什求助於物理學教授、研究的合著者金恩阿和博士麥可·馬蒂,開發出一種機器學習算法,可以分析數據並發現潛在的模式。
機器學習不僅僅是針對像圖像一樣的數據或大數據,它可以極大地改變對任何複雜數據的分析,避免了手動建模。這很難,因為數據只是一個數字列表,沒有任何方法,它就沒有結構,也不可能從中學到任何東西,機器學習真的很擅長學習函數,但必須正確地進行訓練。研究人員的想法是,有一些函數可以將這組數字映射到一類理論。給定一組數值近似的數據,可以進行有效的回歸,學習一個解釋數據的函數。
機器學習算法的結果,消除了對隱藏順序20多種可能解釋中的大約一半。它可能還沒有解決鈾釕矽化物之謎,但它為解決實驗物理數據分析問題創造了一種新的方法。該研究的算法,可以應用於其他量子材料和技術,最著名的是核磁共振(NMR)光譜,這是磁共振成像(MRI)背後的基本過程。研究人員還計劃使用這項新技術來解決碲化鈾的不規則幾何問題,碲化鈾是一種潛在的拓撲超導體,可能成為量子計算的平臺。
博科園|研究/來自:康奈爾大學
參考期間《科學進展》
DOI: 10.1126/sciadv.aaz4074
博科園|科學、科技、科研、科普
交流、探討、學習、科學圈