Modelo de supercondutividade com 100.000 equações agora contém apenas 4 graças à IA: WebCuriosos

Os elétrons zunindo através de uma rede em forma de grade não se comportam como lindas esferas prateadas em uma máquina de pinball. Eles se confundem e se curvam em danças coletivas, seguindo os caprichos de uma realidade ondulatória que é difícil o suficiente de imaginar, e muito menos de calcular.

E, no entanto, os cientistas conseguiram fazer exactamente isso, captando o movimento dos electrões que se movem em torno de uma rede quadrada em simulações que – até agora – necessitavam de centenas de milhares de equações individuais para serem produzidas.

Usando a inteligência artificial (IA) para reduzir essa tarefa a apenas quatro equações, os físicos tornaram o seu trabalho de estudar as propriedades emergentes de materiais quânticos complexos muito mais gerenciável.

Ao fazê-lo, este feito computacional poderia ajudar a resolver um dos problemas mais intratáveis ​​da física quântica, o problema dos “muitos elétrons”, que tenta descrever sistemas contendo um grande número de elétrons interagindo.

Também poderia avançar um ferramenta verdadeiramente lendária para prever o comportamento dos elétrons em materiais de estado sólido, o modelo de Hubbard – ao mesmo tempo melhorando nossa compreensão de como ocorrem fases úteis da matéria, como a supercondutividade.

A supercondutividade é um fenômeno estranho que surge quando uma corrente de elétrons flui desimpedida através de um material, quase sem perder energia à medida que desliza de um ponto a outro. Infelizmente, a maioria dos meios práticos de criar tal estado depende de temperaturas insanamente baixas, se não de pressões ridiculamente altas. Aproveitar a supercondutividade mais próxima da temperatura ambiente poderia levar a redes e dispositivos elétricos muito mais eficientes.

Uma vez que alcançar a supercondutividade sob condições mais razoáveis ​​continua a ser um objetivo elevado, os físicos passaram a utilizar modelos para prever como os eletrões se poderiam comportar em diversas circunstâncias e, portanto, quais os materiais que constituem condutores ou isolantes adequados.

Esses modelos têm um trabalho difícil para eles. Afinal, os elétrons não rolam pela rede de átomos como pequenas bolas, com posições e trajetórias claramente definidas. A sua actividade é uma confusão de probabilidades, influenciada não só pelo ambiente que os rodeia, mas também pela sua história de interacções com outros electrões com que se depararam no caminho.

Quando os elétrons interagem, seus destinos podem ficar intimamente interligados ou “emaranhados”. Simular o comportamento de um elétron significa rastrear a gama de possibilidades de todos os elétrons em um sistema modelo de uma só vez, o que torna o desafio computacional exponencialmente mais difícil.

O modelo de Hubbard é um modelo matemático de décadas que descreve com certa precisão o movimento confuso dos elétrons através de uma rede de átomos. Ao longo dos anos e para deleite dos físicos, o enganosamente simples modelo foi realizado experimentalmente no comportamento de um grande variedade de materiais complexos.

Com o poder computacional cada vez maior, os pesquisadores desenvolveram simulações numéricas baseadas no modelo físico de Hubbard que lhes permite compreender o papel da topologia da rede subjacente.

Em 2019, por exemplo, os investigadores provaram que o modelo do Hubble era capaz de representar a supercondutividade em temperaturas superiores às ultra-frias, dando luz verde aos investigadores para utilizarem o modelo para obterem conhecimentos mais profundos no campo.

Este novo estudo pode ser outro grande salto, simplificando bastante o número de equações necessárias. Os pesquisadores desenvolveram um algoritmo de aprendizado de máquina para refinar um aparato matemático chamado grupo de renormalização, que os físicos usam para explorar mudanças em um sistema material quando propriedades como a temperatura são alteradas.

“É essencialmente uma máquina que tem o poder de descobrir padrões ocultos”, disse o físico e autor principal Domenico Di Sante, da Universidade de Bolonha, na Itália. diz do programa que a equipe desenvolveu.

“Começamos com este enorme objeto de todas essas equações diferenciais acopladas” – cada uma representando pares de elétrons emaranhados – “depois estamos usando o aprendizado de máquina para transformá-lo em algo tão pequeno que você pode contá-lo nos dedos”, Di Sante diz da sua abordagem.

Os investigadores demonstraram que o seu algoritmo baseado em dados poderia aprender e recapitular eficientemente a dinâmica do modelo de Hubbard, utilizando apenas um punhado de equações – quatro para ser preciso – e sem sacrificar a precisão.

“Quando vimos o resultado, dissemos: 'Uau, isso é mais do que esperávamos.' Fomos realmente capazes de capturar a física relevante”, diz De Santé.

O treinamento do programa de aprendizado de máquina usando dados levou semanas, mas Di Sante e seus colegas dizem que agora ele poderia ser adaptado para funcionar em outros problemas tentadores de matéria condensada.

As simulações até agora capturam apenas um número relativamente pequeno de variáveis ​​na rede reticulada, mas os pesquisadores esperam que seu método seja bastante escalável para outros sistemas.

Se assim for, poderá no futuro ser utilizado para sondar a adequação de materiais condutores para aplicações que incluam a geração de energia limpa, ou para ajudar na concepção de materiais que possam um dia fornecer aquela esquiva supercondutividade à temperatura ambiente.

O verdadeiro teste, observam os pesquisadores, será quão bem a abordagem funciona em sistemas quânticos mais complexos, como materiais nos quais os elétrons interagem a longas distâncias.

Por enquanto, o trabalho demonstra a possibilidade de usar IA para extrair representações compactas de elétrons dinâmicos, “um objetivo de extrema importância para o sucesso de métodos teóricos de campo quânticos de ponta para lidar com o problema dos muitos elétrons”, afirmam os pesquisadores. concluir em seu resumo.

A pesquisa foi publicada em Cartas de revisão física.