新的AI工具设置以加快高级超导体的追求

使用人工智能缩短时间从几个月到几分钟识别材料中的复杂量子阶段出版在牛顿。突破可以大大加快对量子材料的研究，尤其是低维超导体。

这项研究由埃默里大学的理论家和耶鲁大学的实验家领导。高级作者包括埃默里化学系的助理教授的刘和王王，以及耶鲁大学应用物理学系的助理教授Yu He。

团队申请机器学习技术检测指示的清晰光谱信号相变在量子材料系统中，电子系统牢固地纠缠。众所周知，这些材料很难用传统物理学建模，因为它们的波动不可预测。

该研究的第一作者和Emory Ph.D. Xu Chen说：“我们的方法给出了非常复杂的相转换的快速准确快照。”化学学生。“我们希望这能在超导性领域中大幅加快发现。”

将机器学习应用于量子材料的挑战之一是缺乏训练模型所需的足够高质量的实验数据。为了克服这一点，研究人员使用高通量模拟来生成大量数据。然后，他们将这些仿真结果与少量实验数据相结合，以创建一个强大而有效的机器学习框架。

刘解释说：“这就像训练自动驾驶汽车一样。”“您可能会在亚特兰大进行广泛的测试，但您希望它们在纽黑文（New Haven）或实际上在任何地方可靠地表现。因此，问题是：我们如何使学习既可以转移又可以理解？”

他们的框架使机器学习模型可以通过应用从模拟中获得的见解来识别实验数据中的阶段。这种方法可以应对科学机器学习中有限的实验数据的持续挑战，并打开了更快，更可扩展的量子材料和分子系统的大门。

该研究的其他贡献者包括克莱姆森大学的前本科生Yuanjie Sun；Eugen Hruska是Emory的前博士后研究员；Vivek Dixit是克莱姆森的前博士后研究员；和Jinming Yang，博士学位耶鲁大学的学生。

量子波动：天使和恶魔

量子材料是一种特殊的材料，其中电子和原子等颗粒以违背古典物理的方式行为。他们最迷人的特征之一是一种称为“纠缠”的量子现象，其中颗粒在遥远的距离上相互影响。一个流行的类比是SchrãdInder'sCat猫的思想实验，其中猫可以同时还活着和死亡。在量子材料中，电子的行为可以集体而不是单独行动。

这些异常的相关性或更精确的波动是使量子材料具有显着特性的原因。最著名的例子之一是高温超导性在铜氧化物化合物或铜层中发现，在某些条件下，电流没有阻力流动。

但是，尽管这些强大的属性经常伴随着波动，但它们也使许多物理特性难以理解，衡量和设计。识别材料中相变的传统方法依赖于一种称为频谱差异的东西破坏超导电子对所需的能量。但是，在具有强大波动的系统中，此方法分解了。

他说：“取而代之的是，控制过渡的全球超导电子或量子阶段之间的全球协调水平。

王补充说：“这就像搬到一个每个人都说另一种语言的国家一样，您不能仅仅依靠以前的工作。”

这意味着科学家无法轻易确定过渡温度仅通过查看频谱差距就可以踢出超导性的地步。找到表征这些过渡的更好方法对于有效发现新的量子材料并为现实世界应用设计它们至关重要。

高温超导性

超导性某些材料用零能量损失进行电力的能力是量子物理学中最迷人的现象之一。它是在1911年发现的，当时科学家发现汞完全失去了其在4 kelvin（-452°F）的电阻，这比我们太阳系中的任何自然位置都冷的温度更冷。

直到1957年，科学家才能够充分解释超导性的工作原理。在日常温度下，材料中的电子独立移动并经常与原子相撞，在此过程中失去能量。但是在非常低的温度下，电子可以组合并形成新的物质状态。在这种配对状态下，他们以完美的同步移动，就像一个精心编排的舞蹈一样，使电力无力流动。

1986年发现了铜土超导体的重大突破。这些材料可以在高达130 kelvin（-211°F）的温度上超导导，虽然仍然冷，但仍足够温暖，可以使用廉价的液氮来达到。这使超导性的实际应用更加现实。

然而，库酸酯属于量子材料类别，其中电子的行为受纠缠和强量子波动的控制。这些物质阶段是复杂的，很难使用传统理论进行预测，使它们既令人兴奋又具有挑战性。

如今，世界各地的科学家都在努力释放超导体的全部潜力。最终目标是创建可以在室温下超导导的材料。如果成功的话，这可能会彻底改变从电网到计算机的所有事物，从而使电力以完美的效率流动，而无需热量或浪费。

一种新方法

研究人员想使用机器学习模型克服这一障碍。

但是，机器学习模型需要对大量标记数据进行培训，以学习如何有效地将特定功能与周围噪声区分开。当然，捕获量是低体积的实验数据相关材料中的相变。

研究人员采用了域交流神经网络（DANN）的方法，这是一种与自动驾驶汽车背后技术相似的图像识别训练方法。与其输入数百万只猫的图像到机器学习模型中，不如识别和提取猫的关键特征更实用。例如，可以从许多不同角度拍摄简单，模拟的3D图像，显示猫的基本特征，以捕获训练模型以识别真正猫所需的合成数据。

陈说：“以同样的方式，通过模拟热力学相变的基本特征的数据，我们可以训练机器学习模型来识别它。”

“这为我们开辟了许多新空间，我们可以比现实生活实验更快地探索这些空间。只要我们了解系统中的关键特征，我们就可以迅速生成数千个图像来训练机器学习模型以识别这种模式。”

他补充说，这些模式直接适用于探测实际实验光谱的超导阶段。

他们的新型数据驱动方法通过将其与大量模拟数据相结合，利用了相关材料的实验光谱数据有限。模型中使用的相变的关键签名使其透明且可解释的AI决策过程。

验证模型

耶鲁大学物理学家团队通过用铜土进行实验测试了机器学习模型。结果表明，该方法可以区分近98％精度的超导和非渗透阶段。

与传统的机器学习，辅助功能萃取在光谱法中不同，新方法根据能量隙内的特征光谱特征来指示相变，从而使其更强大，可以推广到各种材料。这增加了该模型进行高通量分析的潜力。

通过证明机器学习的力量克服了数据的实验限制，这项工作克服了长期存在的挑战量子材料研究，清除了更快发现的路径，这些发现可能会影响从节能电子设备到下一代计算的一切。

更多信息：Xu Chen等人，通过可解释的光发射光谱的可解释的机器学习检测热力学相变，牛顿（2025）。doi：10.1016/j.newton.2025.100066