AI giúp tìm hiểu “vật chất tối” của các vật liệu siêu dẫn kỳ lạ

Học máy hỗ trợ lý thuyết tồn tại 20 năm qua về trạng thái điện tử trong vật liệu siêu dẫn nhiệt độ cao.

Vật liệu siêu dẫn là loại vật liệu có thể dẫn điện mà không gặp phải bất kỳ điện trở nào nhưng chỉ hoạt động ở nhiệt độ thấp hơn 4 độ dưới không tuyệt đối

Các thuật toán học máy đang hỗ trợ các nhà nghiên cứu tìm hiểu trạng thái lượng tử của một loại vật liệu siêu dẫn khiến các nhà vật lý bế tắc nhiều thập kỷ qua.

Các nhà nghiên cứu đã sử dụng AI để điểm các bậc bị dấu kín trong các hình ảnh của một trạng thái kỳ dị trong các vật liệu siêu dẫn nhiệt độ cao. Kết quả đã được xuất bản trên arXiv vào đầu tháng 9/2018, ủng hộ một lý thuyết đã khiến các nhà nghiên cứu nỗ lực suốt thập kỷ qua để hiểu thêm về các vật liệu này.

Nghiên cứu cho thấy lần đầu tiên, học máy đã thành công trong việc tìm ra ý nghĩa của dữ liệu thực nghiệm về vật chất lượng tử, Eun-Ah Kim tại đại học Cornell ở Ithaca, New York cho biết. Cô mới trình bày về trình này tại hội nghị Vật liệu và cơ chế của siêu dẫn và siêu dẫn nhiệt độ cao ở Bắc Kinh vào tháng 8 vừa qua.

Về lâu dài, học máy có thể thúc đẩy các nỗ lực điểm các mẫu đơn giản trong các hệ thống thí nghiệm hỗn độn và ồn ào khác như các chất lỏng spin lượng tử – những yếu tố có thể hình thành những vấn đề cơ bản của một kiểu ngoại lai của máy tính lượng tử trong tương lai.

Vật liệu bí ẩn

Nghiên cứu tập trung vào các chất siêu dẫn – loại vật liệu có thể dẫn điện mà không gặp phải bất kỳ điện trở nào nhưng chỉ hoạt động ở nhiệt độ thấp hơn 4 độ K, trên không tuyệt đối, khoảng -269⁰C. Nhóm nghiên cứu của Kim tìm hiểu về cuprate – một nhóm chất hiếm được ô xít đồng tạo thành và trở thành chất siêu dẫn tại các mức nhiệt độ tới -140⁰C. Việc hiểu nguyên nhân vì sao cuprate có khả năng siêu dẫn cũng có thể là yếu tố chính để họ đưa các vật liệu kỹ thuật này đạt được khả năng như thế ở nhiệt độ phòng.

Nhưng mục tiêu đưa vật liệu có khả năng siêu dẫn ở nhiệt độ phòng đã bế tắc khi cuprate rơi vào trạng thái pseudogap (trong vật lý chất rắn, pseudogap được dùng để miêu tả một trạng thái khi bề mặt Fermi của một vật liệu có một khe hở năng lượng cục bộ, ví dụ một trạng thái cấu trúc vùng năng lượng khi bề mặt Fermi bị trống chỉ ở điểm xác định, khiến ở đó vật liệu không còn siêu dẫn nữa). Các tương tác phức hợp giữa các điện tử và hạt nhân tạo ra pseudogap. Có hai vấn đề xảy ra: vô cùng phức tạp để miêu tả trạng thái về lý thuyết và nhiều thách thức để quan sát hiện tượng hỗn loạn pseudogap. Tuy gọi trạng thái này của cuprates là “vật chất tối”, nhưng một số nhà vật lý vẫn cho biết, trạng thái pseudogap có thể đóng vai trò quan trọng để hiểu về chất siêu dẫn.

Các nhà vật lý đã quan sát một vài dấu hiệu hứa hẹn trong trật tự của pseudogap – có thể thấy dưới dạng những gợn sóng của mật độ eletron hay thay đổi – nhưng họ lại không đồng thuận với nhau về việc giải thích các mẫu hình này. Một cách tiếp cận cho thấy các eletron như các hạt tương tác mạnh, trong khi những tiếp cận khác lại coi chúng như dạng sóng và chỉ là tương tác yếu. 

Để có thêm nhiều thông tin về các mẫu hình này, nhóm nghiên cứu của Kim đã thiết kế các mạng lưới thần kinh – AI được truyền cảm hứng từ các cấu trúc trong bộ não – để nghiên cứu các hình ảnh của pseudogap. Các mẫu trong các hình ảnh, được chụp bằng kính hiển vi điện tử quét truyền qua, thường xuất hiện lộn xộn dưới mắt người bởi sự hỗn loạn và dao động một cách tự nhiên của vật liệu siêu dẫn cũng biến động trong các phép đo. Trong trường hợp này, sự tiên tiến của học máy thể hiện ở chỗ các thuật toán có thể học hỏi để ghi nhận các mẫu hình mà con người không thể nhìn thấy.

Để huấn luyện các thuật toán, nhóm nghiên cứu đã “nuôi” các mạng lưới thần kinh bằng các ví dụ về các mẫu hình gợn sóng có liên hệ với các dự đoán lý thuyết khác nhau. Để học cách ghi nhận các ví dụ, mỗi thuật toán ứng dụng cách học này từ dữ liệu thật về các cuprate trong trạng thái pseudogap. Hơn 81 lần lặp, các thuật toán này đã nhận ra một mẫu hình biến điệu lặp đi lặp lại tương ứng với hình dạng giống hạt của các eletron, vốn được chỉ ra vào những năm 1990.

Công trình đã chứng tỏ hình dạng giống hạt thích hợp với trường hợp này hơn là hình dạng giống sóng gây tranh cãi, André-Marie Tremblay, nhà vật lý tại trường Sherbrooke ở Canada và từng nghe phần thuyết trình của Kim tại Beijing, nói. Nghiên cứu về bản chất của các mẫu hình là điều cốt lõi để hiểu nguyên nhân dẫn đến hiện tượng này, Milan Allan, nhà vật lý ở trường đại học Leiden, Hà Lan, cho biết.

Kỹ thuật AI của họ có thể giúp các nhà vật lý hiểu được chất siêu dẫn nhiệt độ cao, Allan cho biết thêm, mặc dù ông cảnh báo, vẫn còn những điều chưa chắc chắn trong công trình và nó sẽ còn tiếp tục gây tranh cãi về kết quả của trạng thái pseudogap.

Nghiên cứu thật ấn tượng, ứng dụng nguyên bản của các thuật toán học máy trên dữ liệu thực nghiệm, Tremblay nhận xét. Nhưng thuật toán này có thể chỉ phù hợp với những giả thuyết phong phú được đưa ra hơn là tìm kiếm những mẫu hình mới.

Trong suốt phần trình bày của mình, Kim cho biết đang ứng dụng kỹ thuật AI để hiểu nhanh ý nghĩa của dữ liệu từ nhiễu xạ tia X của các vật liệu lượng tử — một kỹ thuật sử dụng tán xạ của các sóng ánh sáng để tìm cấu trúc vật lý của vật liệu 3D nhưng việc tạo ra các mẫu hình nhiều đến mức họ có thể mất vài tháng để làm sáng tỏ bằng những phương thức thông thường. Trong trường hợp này, AI phải rút ra được những điểm tương đồng và tự tiến hành phân loại, hơn là được trao những ví dụ đã được nêu trước, bằng những đặc điểm theo nhóm mà nó thấy tương tự nhau trong các cụm. “Việc sử dụng AI, hay học máy, để hiểu được sự xuất hiện lượng tử trong nghiên cứu của chúng tôi mới chỉ bắt đầu”, chị cho biết.

Thanh Nhàn dịch

Nguồn: https://www.nature.com/articles/d41586-018-06144-3