康奈爾大學和哈佛大學研究人員組成的跨學科團隊開發(fā)了一種機器學習工具來解析量子物質并在數據中做出重要區(qū)分，這種方法將幫助科學家解開亞原子領域中最令人困惑的現(xiàn)象。

　　康奈爾大學領導的項目論文“Correlator Convolutional Neural Networks as an Interpretable Architecture for Image-like Quantum Matter Data”于 6 月 23 日發(fā)表在Nature Communications 上。主要作者是博士生 Cole Miles。

　　康奈爾大學團隊由藝術與科學學院物理學教授 Eun-Ah Kim 領導，他與康奈爾大學 Ann S. Bowers 計算與信息科學學院計算與信息科學副教授兼主任 Kilian Weinberger 合作TRIPODS 數據科學中心改進決策。

　　與由物理學教授 Markus Greiner 領導的哈佛團隊的合作是美國國家科學基金會 10 大創(chuàng)意計劃“利用數據革命”的一部分。他們的項目“協(xié)作研究：使用機器學習工具理解亞原子尺度量子物質數據”旨在通過將數據科學家與專門從事傳統(tǒng)物理、化學和工程領域的研究人員配對來解決科學和工程前沿的基本問題。

　　該項目的中心目標是找到從類似圖像的數據快照中提取有關量子系統(tǒng)的新信息的方法。為此，他們正在開發(fā)機器學習工具，可以識別數據中微觀屬性之間的關系，否則無法在該規(guī)模下確定。

　　卷積神經網絡是一種通常用于分析視覺圖像的機器學習，它使用過濾器掃描圖像以查找數據中的特征，而不管它們出現(xiàn)在哪里——這一步驟稱為“卷積”。然后通過非線性函數發(fā)送卷積，使卷積神經網絡學習特征之間的各種相關性。

　　現(xiàn)在，康奈爾小組通過創(chuàng)建一種稱為相關卷積神經網絡 (CCNN) 的“可解釋架構”改進了該方法，使研究人員能夠跟蹤哪些特定的相關性最重要。

　　卷積神經網絡用途廣泛，Kim 說，然而，來自非線性的多功能性使得很難弄清楚神經網絡如何使用特定的過濾器來做出決定，因為非線性函數很難跟蹤。這就是為什么天氣預報很困難。這是一個非常非線性的系統(tǒng)。

　　為了測試 CCNN，哈佛團隊使用量子氣體顯微鏡來模擬費米子哈伯德模型 - 通常用于演示量子粒子如何在晶格中相互作用，以及由此引發(fā)的許多未解決的問題。

　　量子力學是概率論，但你不能從一次測量中學習概率，你必須重復多次測量，金說，從薛定諤的貓的角度來看，我們有一個完整的原子集合，一個活的或死的貓的集合。每次我們進行投影測量時，我們都會有一些死貓和一些活貓。我們正試圖從中了解系統(tǒng)處于什么狀態(tài)，并且系統(tǒng)正在嘗試模擬基本模型，這些模型是理解諸如高溫超導等神秘現(xiàn)象的關鍵。

　　哈佛團隊為兩種難以區(qū)分的狀態(tài)生成了合成數據：幾何弦理論和 pi-flux 理論。在幾何弦理論中，該系統(tǒng)接近于反鐵磁順序，其中電子自旋形成一種反排列——即向上、向下、向上、向下、向上、向下——當電子空穴開始移動時會被破壞在不同的時間尺度。在 pi-flux 理論中，自旋形成對，稱為單線態(tài)，當引入一個洞時，它們開始翻轉和翻轉，導致混亂狀態(tài)。

　　CCNN 能夠通過識別數據與四階的相關性來區(qū)分這兩種模擬。

　　通過重復這個練習，CCNN 基本上了解了圖像中的哪些事件對于神經網絡做出決定至關重要——Kim 將這個過程與人們登上救生艇所做的選擇進行了比較。

　　你知道當一艘大船即將沉沒時，人們會被告知，好吧，你只能帶一件私人物品，金說，這將顯示他們內心的想法。它可能是結婚戒指，也可能是垃圾桶。你永遠不知道。我們正在迫使神經網絡選擇一兩個最能幫助它提出問題的特征。正確的評估。通過這樣做，我們可以找出定義狀態(tài)或階段的關鍵方面，核心本質是什么。

　　該方法可應用于生成量子材料圖像類型數據的其他掃描探針顯微鏡，以及可編程量子模擬器。根據 Kim 的說法，下一步是結合一種無監(jiān)督機器學習形式，它可以提供更客觀的視角，這種視角受研究人員挑選要比較的樣本的決定的影響較小。

　　Kim 認為像她的學生和主要作者 Cole Miles 這樣的研究人員代表了下一代，他們將進一步融合這些前沿和傳統(tǒng)方法以推動新的科學發(fā)現(xiàn)。

　　更保守的人對新鮮事物持懷疑態(tài)度，金說，但我認為經典與新事物和閃亮之間的平衡和協(xié)同可以帶來重要而令人興奮的進步。我認為我們的論文就是一個例子。