100.000 Denklemli Süperiletkenlik Modeli, Yapay Zekâ Sayesinde Artık Sadece 4 Denkleme İndirgendi

Bu görevi sadece dört denkleme indirgemek için yapay zekâyı (AI) kullanan fizikçiler, karmaşık kuantum malzemelerinin ortaya çıkan özelliklerini inceleme işini çok daha kolay yönetilebilir hale getirdiler.

Bu bilgi işlem başarısı, kuantum fiziğinin en zorlu problemlerinden birinin, çok sayıda etkileşimli elektron içeren sistemleri tanımlamaya çalışan 'çok elektron' probleminin üstesinden gelmeye yardımcı olabilir.

Aynı zamanda, katı hal malzemelerinde elektron davranışını tahmin etmek için gerçekten efsanevi bir araç olan Hubbard modeli geliştirebilir ve tüm bu süre boyunca maddenin süper iletkenlik gibi kullanışlı fazlarının nasıl oluştuğuna dair anlayışımızı geliştirir.

Süperiletkenlik, bir elektron akımının engellenmeden bir malzeme içinden akması ve bir noktadan diğerine kayarken neredeyse hiç enerji kaybetmemesiyle ortaya çıkan garip bir olgudur. Böyle bir durum yaratmanın en pratik yolu, delicesine düşük sıcaklıklara dayanır. Süper iletkenliği oda sıcaklığına yakın bir yerde kullanmak, çok daha verimli elektrik şebekelerine ve cihazlarına yol açabilir.

Daha makul koşullar altında süperiletkenliği elde etmek yüce bir hedef olarak kaldığından, fizikçiler elektronların çeşitli koşullar altında nasıl davranabileceğini ve dolayısıyla hangi malzemelerin uygun iletkenler veya yalıtkanlar oluşturduğunu tahmin etmek için modeller kullanmaya başladılar.

Elektronların faaliyetleri, yalnızca çevrelerinden değil, yolda çarpıştıkları diğer elektronlarla etkileşim geçmişlerinden de etkilenen bir olasılık karmaşasıdır.

Elektronlar etkileşime girdiğinde, 'dolaşık' hale gelebilir. Bir elektronun davranışını simüle etmek, bir model sistemdeki tüm elektronların olasılık aralığını bir kerede izlemek anlamına gelir, bu da hesaplama zorluklarını katlanarak zorlaştırır.

Hubbard modeli, elektronların bir atom kafesi boyunca kafa karıştırıcı hareketini biraz da olsa doğru bir şekilde tanımlayan onlarca yıllık bir matematiksel modeldir.

Sürekli artan bilgisayar gücüyle, araştırmacılar, temeldeki kafesin topolojisinin rolünü kavramalarına izin veren Hubbard model fiziğine dayalı sayısal simülasyonlar geliştirdiler.

Örneğin 2019'da araştırmacılar, Hubble Modelinin süperiletkenliği aşırı soğuktan daha yüksek sıcaklıklarda temsil edebildiğini kanıtlayarak, araştırmacılara modeli sahada daha derin kavrayışlar için kullanmaları için yeşil ışık verdi.

Bu yeni çalışma, gerekli denklem sayısını büyük ölçüde basitleştiren başka bir büyük adım olabilir. Araştırmacılar, fizikçilerin sıcaklık gibi özellikler değiştiğinde bir malzeme sistemindeki değişiklikleri keşfetmek için kullandıkları, renormalizasyon grubu adı verilen matematiksel bir aparatı iyileştirmek için bir makine öğrenimi algoritması geliştirdiler.

İtalya'daki Bologna Üniversitesi'nden fizikçi Domenico Di Sante, ekibin geliştirdiği program hakkında “Bu, esasen gizli kalıpları keşfetme gücüne sahip bir makine” diyor.

Araştırmacılar, veriye dayalı algoritmalarının, Hubbard modelinin dinamiklerini verimli bir şekilde öğrenip özetleyebileceğini, yalnızca bir avuç denklem kullanarak - dördü kesin olmak üzere -doğruluktan ödün vermeden gösterdiler.

Verileri kullanarak makine öğrenimi programını eğitmek haftalar sürdü, ancak Di Sante ve meslektaşları, artık diğer yoğun madde sorunları üzerinde çalışmak için uyarlanabileceğini söylüyor.

Simülasyonlar şu ana kadar kafes ağındaki nispeten az sayıda değişkeni yakalıyor, ancak araştırmacılar yöntemlerinin diğer sistemlere göre oldukça ölçeklenebilir olmasını bekliyorlar.

Eğer öyleyse, gelecekte, temiz enerji üretimi içeren uygulamalar için iletken malzemelerin uygunluğunu araştırmak veya bir gün oda sıcaklığında süper iletkenliği sağlayabilecek malzemelerin tasarımına yardımcı olmak için kullanılabilir.