作者瑞秋·哈肯，橡树岭国家实验室 Dy2Ti2O7的原子结构由磁性镝离子四面体(蓝色)和围绕钛离子的非磁性氧离子八面体(红色)组成(青色)
镝离子上的磁矩受到晶体场相互作用的约束，指向四面体的内部或外部
它们形成一个共享烧绿石晶格的角
最近邻(1)、次最近邻(2)和两个不等价的次最近邻(3和3′)相互作用的路径用粗线表示
信用:艾伦滕南特，ORNL 科学家们试图将量子材料——那些在亚原子水平上具有关联序的材料——用于电子设备、量子计算机和超导体
量子材料的许多特性归功于发生在最小尺度上的物理学，完全量子力学的物理学
一些材料，如复杂的磁性材料，与量子材料有共同之处，科学家可以研究这些材料，以更好地理解量子材料，并理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的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中散射出来，以揭示由此产生的相互作用的微观特性
然而，即使对于经验丰富的专家来说，重构材料的结构和性质也是一项挑战
美国能源部橡树岭国家实验室(ORNL)的一个团队首次使用人工智能来寻找中子散射数据中的模式，这可以帮助理解量子或复杂磁性材料中的物理现象
在艾伦·滕南特的领导下，该团队最近训练了一个人工神经网络，成功地解释了来自ORNL散裂中子源中子散射实验的数据
该团队通过向该网络提供在橡树岭领导计算设施(OLCF)系统上进行的中子散射模拟数据来训练该网络，包括该中心退役的克雷XK7泰坦
泰坦是当时最强大的机器之一，即使在去年秋天退役后，它仍继续为科学界提供新的发现
“以前，当你做实验时，你不能完全确定你有正确的结果，”滕南特说
“有了这个神经网络，我们可以对答案充满信心，因为网络必须经过大量的训练
在它遇到的所有可能的情况中，它能找到最优解
" 该网络可以揭示关于当前中子散射实验的新信息，甚至可以洞察哪些实验最有利于未来的运行
这项研究的结果最近发表在《自然通讯》上，该团队正在继续研究OLCF的200千兆次IBM AC922峰会，这是世界上最强大的超级计算机
超越人类 当科学家在SNS进行中子散射实验时，他们必须考虑到许多可能形成散射模式的情况
破译从材料中散射出来的中子成了一个难题，传统上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形成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材料的哈密顿量提出许多不同的方案，哈密顿量是材料能量的表达式，完全描述了材料的性质
但是它们不可能解释每一个——特别是在自旋冰这样的材料中
自旋冰是冰的磁性类似物，被认为具有奇特的磁性状态，在这种状态下，北磁极和南磁极可以分开并独立运行，而其他磁铁则不能做到这一点
然而，确定这些材料中潜在的相互作用被证明是非常具有挑战性的
一种可能的解决方案是训练人工神经网络，这是一种可以分析数据模式并以类似人脑神经网络的方式运行的机器学习
“人类永远不可能经历所有的场景，因为总有一些你从未想过的场景，”ORNL的博士后研究员安贾娜·萨马拉肯说，她在这个项目上与滕南特密切合作
“但是一台计算机可以经历成千上万的场景，为你总结信息
所以它变得有点可靠——它解决了你的一个大问题
" 该团队训练了一种自动编码器——一种通常用于压缩和重建图像的人工神经网络——在ORNL的美国能源部科学用户设施办公室的超级计算资源上使用数万次模拟(超过500亿次计算)
该团队能够模拟比人类所能检查的更多的场景
该团队还发现，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
萨马拉肯说:“它做的是专家做的事，但它做的远远不止这些。”
“这可以做一万个模型，而不是简单的人类能做的100个左右
" 玻璃之谜 研究人员对其进行训练后，人工神经网络可以将模拟数据与从法国国家科学院的科雷利仪器记录的实验散射数据进行比较，该仪器旨在探测玻璃等材料中的无序状态
人工神经网络准确地捕捉到了Dy2Ti2O7材料中1024个位置的数据，Dy2ti 2o 7是一种在低温下具有玻璃般特性的自旋冰
“我们不知道眼镜工作背后的物理原理，”滕南特说
“但这种材料适合研究，因为我们可以用惊人的数学来理解它
橡树岭是一个我们可以真正研究这些复杂材料的地方
" 该小组将ORNL科学计算和数据环境(CADES)与OLCF的系统相结合，对模拟进行进一步分析
通过模拟训练网络后，它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点
现在，该团队正在峰会上训练更深层次的神经网络，以进一步理解玻璃状量子材料
萨马拉肯说:“我们能够在OLCF做所有我们需要的模拟训练。”
“有了Summit，我们可以以更互动的方式运行更深的网络，探索更多未知
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
