À la pointe de la découverte, où des questions scientifiques de pointe sont abordées, nous n'avons souvent pas beaucoup de données. À l'inverse, le succès de l'apprentissage automatique (ML) a tendance à s'appuyer sur de grands ensembles de données de haute qualité pour la formation. Alors, comment les chercheurs peuvent-ils exploiter efficacement l'IA pour soutenir leurs investigations?
Dans Recherche d'examen physiqueles scientifiques décrivent une approche pour travailler avec ML pour s'attaquer aux questions complexes dans la physique des matières condensées. Leur méthode aborde des problèmes difficiles qui étaient auparavant insolubles par les simulations physiciens ou par les algorithmes ML seuls.
Les chercheurs étaient intéressés par des aimants frustrés – des matériaux magnétiques dans lesquels les interactions concurrentes conduisent à des propriétés magnétiques exotiques. L'étude de ces matériaux a contribué à faire progresser notre compréhension de l'informatique quantique et à faire la lumière sur la gravité quantique. Cependant, les aimants frustrés sont très difficiles à simuler, en raison des contraintes résultant de la façon dont les ions magnétiques interagissent.
Ici, l'équipe du Japon, de la France et de l'Allemagne était intéressée par la façon dont les propriétés d'un type particulier de matériau magnétique changent car elle est refroidie vers le zéro absolu.
Leur attention était concentrée sur une phase particulière appelée « liquide de spin »: tout comme l'eau liquide se gèle dans la glace, ce liquide spin se fige dans un autre type d'état magnétique. Pourtant, en ce qui concerne l'identification de cet État, ils n'ont pas pu comprendre les résultats de leurs simulations.
« Récemment, les physiciens ont été enthousiasmés par un type de liquide de spin quantique qui pourrait nous aider à comprendre les ordinateurs quantiques tolérants aux failles », a expliqué le professeur Nic Shannon, chef de la théorie de l'unité Quantum Matter à l'Institut Okinawa des sciences et de la technologie (OIST), et co-auteur de cette étude.
« En 2020, nous avons réalisé que ce liquide de spin pouvait se produire naturellement dans une classe de matériaux magnétiques appelés« pyroclores respiratoires ». Mais nous ne pouvions pas comprendre ce qui est arrivé à ce liquide de rotation à des températures basses. «
Les chercheurs de l'OIT se sont associés à des experts ML de LMU Munich, qui avait développé un algorithme ML qui pourrait classer les ordres magnétiques conventionnels.
« Notre méthode est hautement interprétable, ce qui signifie qu'il est facile pour les humains de déchiffrer les processus décisionnels, et ne s'appuie pas sur la formation antérieure du modèle.
« Avant que nous nous associons à OIST, nous ne l'avions jamais appliqué à un liquide de spin, nous étions donc ravis de voir si cela pouvait être utile pour obtenir des informations sur des problèmes de physique aussi difficiles où toutes les autres approches avaient échoué. »
Pour modéliser leur refroidissement de liquide de spin, l'équipe a utilisé une technique de calcul appelée Monte Carlo Simulation. En exécutant leurs données de simulation via l'algorithme ML et en traitant les résultats, les chercheurs ont pu voir des modèles émergeant de la sortie ML.
Ils ont pu utiliser ces résultats pour ensuite exécuter les simulations de Monte Carlo en sens inverse, les simulations d'ensemencement à basse température avec les modèles trouvés par ML, et chauffant la phase précédemment inconnue pour simuler la transition dans la direction opposée. Ces nouvelles simulations ont confirmé les propriétés de cette phase, apportant une nouvelle compréhension dans ce domaine de la recherche quantique.
« Ce qui était intéressant, c'est que ni l'homme ni la machine seuls n'ont pu résoudre ce problème – cela ressemblait plus à des collègues collaborant avec l'algorithme, en repérant quelque chose que nous n'avions pas, et vice versa, en s'appuyant ensemble vers cette image complète de la compréhension », a ajouté le Dr Ludovic Jaubert de CNRS, Université de Bordeaux.
« C'est excitant, car il y a beaucoup plus de problèmes complexes à résoudre dans la physique de la matière condensée que nous pourrions réaliser grâce à une approche humaine et IA aussi combinée. »
