一种新的人工智能算法已经被开发出来，可以大幅缩短用于迭代设计一种被称为拓扑绝缘体的新材料所需的时间，且这种材料被认为十分有前途。
拓扑绝缘体具有内部绝缘体、外部导体的奇怪特性，这种绝缘体的潜力在过去十年里震惊了电子学研究人员，其感兴趣的一个领域是实现无耗散或无热量损失的电子学。多年来，似乎能提供无电阻率电子产品的唯一材料是超导体。然而，超导体缺乏一定程度的稳健性，并且容易受到微小干扰。
拓扑绝缘体似乎为超导体的脆弱性提供了合理的替代方案。然而，开发和完善拓扑绝缘体意味着需要首先了解材料的磁性层和非磁性层如何相互作用，包括非磁性层中的感应磁性，这种现象称为“磁邻近效应”为了检测这种现象，研究人员使用了一种称为极化中子反射仪（polarizedneutronreflectometry，PNR）的技术来分析多层材料中磁性结构随深度的变化。
换句话说，PNR是开发拓扑绝缘体的必要元素，但在探索和迭代新的可能材料的过程中，它也大大放缓了。PNR固有的复杂性和它产生的大量数据都是一个挑战。
然而，现在麻省理工学院（MIT）的研究人员开发了一种人工智能算法，用于对所有PNR数据进行排序，以帮助研究人员显著减少数据分析时间。
麻省理工学院教授、这项研究的首席研究员MingdaLi说：“它将分析时间从几天减少到了几分钟，丝毫不夸张。在传统方法中，人们需要花时间反复猜测几十个参数。使用这种人工智能方法，无需猜测，而且毫不费力。”
PNR首先将两个自旋相反的极化中子束对准样品。这些光束从样品上反射出来，并在探测器上收集。如果其中一个中子与磁通量接触，比如磁性材料内部的磁通量，它将改变其自旋状态，从而产生从自旋上升和自旋下降中子束测量的不同信号。因此，如果直接与磁性材料相邻的一薄层正常非磁性材料被磁化，则可以检测到邻近效应：磁邻近效应。
当PNR信号第一次输入人工智能时，它是一个复杂的信号，很难去卷积。但通过将信号的分辨率提高一倍，人工智能基本上能够放大信号的邻近效应分量，从而使数据更容易解释。在该小组的工作中，他们的算法可以识别0.5纳米长度范围内的邻近效应特性。（Li说，邻近效应的典型空间范围约为1纳米，因此人工智能能够分辨出所需的大小尺度。）
Li说，人工智能方法比传统算法成功，因为它将PNR数据转换为一个隐藏的“潜在空间”——一种简化但仍然有用的压缩数据表示，使分析变得更容易。
为了利用这种将数据转换为潜在空间的能力，每个PNR数据首先根据与研究人员最相关的特定参数进行标记。然后，该算法寻找不同数据点之间的细微联系，并将其放大，这与独立处理每个数据点的传统方法不同。
麻省理工学院的研究人员从开源机器学习框架PyTorch构建了他们的算法。
“我们不是一个设计卷积神经网络之类东西的人工智能团体，但该软件包功能强大，足以在现有的研究设施中加以利用，”Li说。
事实上，除了PNR数据挖掘，量子计算应用是人工智能最直接的应用。
“在确定某些物质系统是否可能含有量子位方面，最近出现了一些争议，”Li如此表示，“这项工作将提高可解决性，并在这方面有所帮助。” |
|
