机器学习揭示材料的“隐秩序” 学术资讯

（A）共振本征模；（B）样品S1的室温超声光谱；（C）谐振-温度曲线。

极端温度条件会使金属性质产生奇特的变化：高温时，铁失去了磁性；而在极低温时，铅变成了超导体。在过去的30年中，虽然通过测量热容等性质，物理学家们发现铀钌硅化物（URu2Si2）经历了某种相变，但他们对具体的变化情况缺乏更深入的认知。

《科学进展》杂志报道，美国康奈尔大学物理学家Brad Ramshaw带领的研究团队，利用超声波和机器学习，对量子材料URu2Si2进入“隐秩序”时可能产生的变化进行了更细致的分析和解释。Ramshaw说：“当URu2Si2进入隐秩序时，我们不知道电子究竟在做什么。它们不会有磁性，也不会变成超导态，但它们的变化可能引起轨道有序、电荷密度波和价电子跃迁等方面的改变。”

Ramshaw和博士生Sayak Ghosh使用高分辨率超声光谱检测了URu2Si2单晶的对称性以及对称性在隐秩序相变过程中的变化情况。一般来说，相变都会伴随着对称性改变。然而，URu2Si2的对称性变化却并不总是非常明显，难以通过实验检测发现。Ramshaw解释说：“以对称性为研究对象，我们就不必纠结于铀和钌在相变时的所有细节，而只需分析系统相变前后的对称性变化。”

然而，新的问题出现了：为了分析超声波数据，研究人员通常会用到波动力学建模。为了研究最纯的URu2Si2，他们需要使用更小、洁净度更高的样品。Ramshaw表示，这种形状怪异的六边形晶体实在太小了，对简易的波动力学解决方案而言，有太多的不确定性。因此，Ramshaw等向物理学教授Euu-Ah Kim等求助，希望他们能帮忙开发一种能够分析数据、揭示潜在模式的机器学习算法。Kim说：“机器学习不止是针对类图数据或者大数据的技术，它可以极大地改变复杂数据的分析过程，避免手工建模的缺陷。但是，数据只是数字串，学习难度非常高。为此，你必须正确地为机器学习提供训练方式。我们采用函数、数列映射、近似和回归等方式解决了训练难题。”

通过机器学习算法，研究人员排除了近半数对URu2Si2隐秩序的解释。虽然机器学习可能还不能解决URu2Si2的谜题，但它为解决实验物理学中的数据分析问题提供了新思路。研究人员认为，这种算法还可以应用于其他量子材料和核磁共振光谱学技术的研究。Ramshaw甚至计划用这种算法破解潜在拓扑超导体碲化铀的神秘几何结构。

科界原创

编译：雷鑫宇

审稿：西莫

责编：唐林芳

期刊来源：《科学进展》

期刊编号：2375-2548

原文链接：

https://phys.org/news/2020-03-machine-illuminates-material-hidden.html