Entender o comportamento intricado dos elétrons levou a descobertas que transformaram a sociedade, como a revolução na computação possibilitada pela invenção do transistor.
Hoje, através dos avanços da tecnologia, o comportamento dos elétrons pode ser estudado de forma muito mais profunda do que no passado, possibilitando potencialmente avanços científicos tão revolucionários quanto o computador pessoal. No entanto, os dados gerados por essas ferramentas são muito complexos para os humanos interpretarem.
Uma equipe liderada por Cornell desenvolveu uma maneira de usar o aprendizado de máquina para analisar os dados gerados pela microscopia de varredura por tunelamento (STM) – uma técnica que produz imagens em escala subatômica de movimentos eletrônicos em superfícies materiais com energias variadas, fornecendo informações inatingíveis 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. “Você se pergunta que tipos de segredos estão enterrados nessas imagens. Gostaríamos de desvendar esses segredos.”
Kim é autor sênior de “Machine Learning in Electronic Quantum Matter Imaging Experiments”, publicado na Nature em 19 de junho. Os primeiros autores são Yi Zhang, ex-pesquisador de pós-doutorado no laboratório de Kim e agora na Universidade de Pequim na China, e Andrej Mesaros. Pesquisador de pós-doutorado no laboratório de Kim, atualmente na Université Paris-Sud, na França.
Os co-autores incluem J. C. Séamus Davis, James Gilbert White Distinguished Professor em Ciências Físicas da Cornell, um inovador em estudos conduzidos por STM.
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 trilhões de trilhões de elétrons interagindo entre si e com a infraestrutura ao redor. O comportamento dos elétrons é determinado em parte pela tensão entre suas duas tendências concorrentes: se movimentar, associada à energia cinética; e ficar longe um do outro, associado à energia de interação repulsiva.
Neste estudo, Kim e colaboradores se propuseram a descobrir qual dessas tendências é mais importante em um material supercondutor de alta temperatura.
Usando o 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 como esses e os grava, obtém dados parecidos com imagens, mas não é uma imagem natural, como uma maçã ou uma pêra”, disse Kim. Os dados gerados pelo instrumento são mais como um padrão, disse ela, e cerca de 10.000 vezes mais complicado do que uma curva de medição tradicional. “Não temos uma boa ferramenta para estudar esses tipos de conjuntos de dados”.
Para interpretar esses dados, os pesquisadores simularam um ambiente ideal e adicionaram fatores que causariam 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, determinaram quais das teorias os dados reais mais se pareciam.
Este método, disse Kim, confirmou a hipótese de que a energia de interação repulsiva foi mais influente no comportamento dos elétrons.
Uma melhor compreensão de quantos elétrons interagem em diferentes materiais e sob diferentes condições provavelmente levará a mais descobertas, disse ela, incluindo o desenvolvimento de novos materiais.
“Os materiais que levaram à revolução inicial dos transistores eram na verdade materiais bastante simples. Agora temos a capacidade de projetar materiais muito mais complexos”, disse Kim. “Se essas poderosas ferramentas puderem revelar aspectos importantes que levam a uma propriedade desejada, gostaríamos de poder fazer um material com essa propriedade”.
Publicado em 22/06/2019
Artigo original: https://phys.org/news/2019-06-machine-mysteries-quantum-physics.html
Gostou? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: