O uso de aprendizado de máquina para analisar dados sobre movimentos de elétrons gerados por uma técnica de imagens em escala subatômica revelou mistérios da física quântica.
Uma equipe liderada pela Universidade de Cornell analisou imagens geradas por microscopia de tunelamento (STM) na interação de elétrons em superfícies de materiais com diferentes energias, fornecendo informações inatingível por qualquer outro método.
“Algumas dessas imagens foram tiradas em materiais que foram considerados importantes e misteriosos por duas décadas”, disse Eun-Ah Kim, professor de física. “Alguém imagina que tipo de segredos estão escondidos nessas imagens. Nós gostaríamos de desbloquear esses segredos “.
Kim é o principal autor de “Aprendizado de Máquina em Experimentos de Imagens de Matéria Quântica Eletrônica”, publicado na Nature em 19 de junho.
A pesquisa gerou novos insights sobre como os elétrons interagem e mostrou como o aprendizado de máquina pode ser usado para impulsionar novas descobertas na física quântica experimental.
Na escala subatômica, uma dada amostra incluirá bilhões de bilhões de elétrons que interagem entre si e com a infraestrutura ao redor. O comportamento dos elétrons é determinado, em parte, pela tensão entre suas duas tendências concorrentes: movimento, associado à energia cinética; e fique longe um do outro, associado à energia da interação repulsiva.
Neste estudo, Kim e seus colaboradores se propuseram a descobrir qual dessas tendências é mais importante em um material supercondutor de alta temperatura.
Através do uso de STM, os elétrons passam através do vácuo entre a ponta condutora do microscópio e a superfície da amostra sendo examinada, fornecendo informações detalhadas sobre o comportamento dos elétrons.
“O problema é que quando você pega dados assim e grava, você obtém dados de imagem, mas não é uma imagem natural, como uma maçã ou uma pera”, disse Kim. Os dados gerados pelo instrumento são mais como um padrão, disse ele, e cerca de 10.000 vezes mais complicado do que uma curva de medição tradicional. “Não temos uma boa ferramenta para estudar esse tipo de conjunto de dados”.
Para interpretar esses dados, os pesquisadores simularam um ambiente ideal e acrescentaram fatores que poderiam causar mudanças no comportamento dos elétrons. Eles então treinaram uma rede neural artificial, um tipo de inteligência artificial que pode aprender uma tarefa específica usando métodos inspirados em como o cérebro funciona, para reconhecer as circunstâncias associadas a diferentes teorias.
Quando os pesquisadores inseriram os dados experimentais na rede neural, eles determinaram quais das teorias se pareciam mais com os dados reais.
Este método, disse Kim, confirmou a hipótese de que a energia de interação repulsiva era mais influente no comportamento dos elétrons.
Achou útil essa informação? Compartilhe com seus amigos! xD
Deixe-nos a sua opinião aqui nos comentários.
