in

Il modello di superconduttività con 100.000 equazioni ora ne contiene solo 4 grazie all’intelligenza artificiale: ScienceAlert

Gli elettroni che sfrecciano attraverso una griglia simile a una griglia non si comportano affatto come delle belle palline d’argento in un flipper. Si confondono e si piegano in danze collettive, seguendo i capricci di una realtà ondulata abbastanza difficile da immaginare, per non parlare di calcolare.

Eppure gli scienziati sono riusciti a fare proprio questo, catturando il movimento degli elettroni che si muovono attorno a un reticolo quadrato in simulazioni che in precedenza richiedevano centinaia di migliaia di equazioni individuali per essere generate.

Utilizzando l’intelligenza artificiale (AI) per ridurre questo compito a sole quattro equazioni, i fisici hanno reso molto più gestibile il loro compito di sondare le proprietà emergenti di materiali quantistici complessi.

In questo modo, questa potenza di calcolo potrebbe aiutare ad affrontare uno dei problemi più difficili della fisica quantistica, il problema dei “molti elettroni”, che tenta di descrivere sistemi contenenti un gran numero di elettroni interagenti.

Potrebbe anche far avanzare uno strumento davvero leggendario per prevedere il comportamento degli elettroni nei materiali allo stato solido, il modello di Hubbard, migliorando al contempo la nostra comprensione di come si verificano fasi pratiche della materia come la superconduttività.

La superconduttività è uno strano fenomeno che si verifica quando un flusso di elettroni scorre liberamente attraverso un materiale, senza perdere quasi nessuna energia mentre scivola da un punto all’altro. Sfortunatamente, i mezzi più pratici per creare una tale condizione si basano su temperature follemente basse, se non su pressioni ridicolmente alte. Sfruttare la superconduttività più vicino alla temperatura ambiente potrebbe portare a reti e dispositivi elettrici molto più efficienti.

Poiché il raggiungimento della superconduttività in condizioni più ragionevoli rimane un obiettivo ambizioso, i fisici utilizzano modelli per prevedere come potrebbero comportarsi gli elettroni in circostanze diverse e quali materiali sono quindi conduttori o isolanti adatti.

Questi modelli hanno il loro lavoro ritagliato per loro. Dopotutto, gli elettroni non rotolano attraverso la rete atomica come palline con posizioni e traiettorie chiaramente definite. La loro attività è un miscuglio di probabilità, influenzata non solo dal loro ambiente ma anche dalla loro storia di interazioni con altri elettroni che incontrano lungo il percorso.

Quando gli elettroni interagiscono, i loro destini possono diventare intimamente intrecciati o “aggrovigliati”. Simulare il comportamento di un elettrone significa tracciare simultaneamente la gamma di possibilità di tutti gli elettroni in un sistema modello, rendendo la sfida computazionale esponenzialmente più difficile.

Il modello di Hubbard è un modello matematico vecchio di decenni che descrive in modo abbastanza accurato il movimento sconcertante degli elettroni attraverso un reticolo atomico. Nel corso degli anni, e con grande gioia dei fisici, il modello apparentemente semplice è stato realizzato sperimentalmente nel comportamento di una varietà di materiali complessi.

Con l’aumento della potenza di calcolo, i ricercatori hanno sviluppato simulazioni numeriche basate sulla fisica dei modelli Hubbard che consentono loro di comprendere il ruolo della topologia del reticolo sottostante.

Ad esempio, nel 2019 i ricercatori hanno dimostrato la capacità del modello Hubble di rappresentare temperature superconduttive superiori all’ultrafreddo e hanno dato ai ricercatori il via libera per utilizzare il modello per approfondimenti sull’area.

Questo nuovo studio potrebbe essere un altro grande salto, semplificando notevolmente il numero di equazioni richieste. I ricercatori hanno sviluppato un algoritmo di apprendimento automatico per perfezionare un aggeggio matematico chiamato gruppo di rinormalizzazione, che i fisici usano per studiare i cambiamenti in un sistema materiale quando vengono modificate proprietà come la temperatura.

“È essenzialmente una macchina in grado di scoprire schemi nascosti”, afferma il fisico e autore principale Domenico Di Sante dell’Università di Bologna, in Italia, del programma che il team ha sviluppato.

“Iniziamo con questo oggetto gigante fatto di tutte queste equazioni differenziali accoppiate, ognuna delle quali rappresenta coppie di elettroni intrecciati, “poi usiamo l’apprendimento automatico per trasformarlo in qualcosa di così piccolo che puoi contare sulle dita”, dice Di Sante riguardo al suo approccio .

I ricercatori hanno dimostrato che il loro algoritmo basato sui dati potrebbe apprendere e ricapitolare in modo efficiente la dinamica del modello di Hubbard usando solo una manciata di equazioni – quattro, per essere precisi – e senza sacrificare l’accuratezza.

“Quando abbiamo visto il risultato, abbiamo detto: ‘Wow, è più di quanto ci aspettassimo.’ Siamo stati in grado di catturare davvero la fisica rilevante”, afferma Di Sante.

La formazione del programma di apprendimento automatico sui dati ha richiesto settimane, ma Di Sante e colleghi affermano che ora potrebbe essere adattato per lavorare su altri allettanti problemi di materia condensata.

Le simulazioni finora catturano solo un numero relativamente piccolo di variabili nella rete reticolare, ma i ricercatori prevedono che il loro metodo dovrebbe essere abbastanza scalabile per altri sistemi.

Se è così, potrebbe essere utilizzato in futuro per studiare l’idoneità dei materiali conduttori per applicazioni che coinvolgono la generazione di energia pulita, o per aiutare a progettare materiali che potrebbero un giorno fornire quella superconduttività sfuggente a temperatura ambiente.

Il vero test, affermano i ricercatori, sarà quanto bene l’approccio funzioni su sistemi quantistici più complessi, come i materiali, in cui gli elettroni interagiscono su lunghe distanze.

Per ora, il lavoro dimostra la possibilità di utilizzare l’IA per estrarre rappresentazioni compatte di elettroni dinamici, “un obiettivo di fondamentale importanza per il successo di metodi teorici del campo quantistico all’avanguardia per affrontare il problema dei molti elettroni”. i ricercatori concludono nel loro abstract.

Lo studio è stato pubblicato in Lettere di verifica fisica.

“Questo è per i dinosauri”: come il mondo ha reagito al successo della Nasa nell’impatto dell’asteroide posto

La Nasa “dovrebbe lasciare che Elon Musk lanci razzi” dopo che Artemis ha fallito, il che potrebbe fermare le missioni future, afferma l’esperto