Одним из наиболее перспективных направлений развития технологий является все более тонкое использование свойств квантовых материалов. Эти упорядоченные на субатомном уровне коррелированные материалы можно успешно использовать, например, в электронных устройствах, квантовых компьютерах и при создании сверхпроводников. Свойства таких материалов, конечно же, полностью квантово-механические.
Из-за трудностей работы на субатомном опыте физики часто используют вместо квантовых материалов вещества, которые имеют с ними общие черты. В качестве такой экспериментальной площадки выступают, например, магнитные материалы, в которых из-за геометрии кристаллической решётки квантово-механические свойства проявляются уже на атомном уровне. Однако, изучение свойств как квантовых, так и сложных магнитных материалов требует корректных и строгих методов исследования.
Таким методом является нейтронография. В этом методе исследуемый образец помещается в поток нейтронов, которые начинают взаимодействовать с его кристаллической решеткой. В результате нейтроны начинают отклоняться от первоначальной траектории, а физики эти отклонения фиксируют и судят по этим данным о микроскопических свойствах образца. Такая реконструкция свойств, понятное дело, оказывается весьма сложной задачей.
Команда ученых из Национальной лаборатории Ок-Ридж в США предложила новую технологию поиска закономерностей в данных по рассеянию нейтронов с использованием искусственной нейронной сети. Для обучения нейронной сети использовались мощности вычислительного центра Oak Ridge Leadership Computing Facility, в том числе и ресурсы суперкомпьютера Cray XK7 Titan, на которых и моделировали процессы рассеяния нейтронов на разных типах кристаллических решеток. А после тренировки ученые проверили возможности нейросети на экспериментальных данных, полученных при помощи Расщепительного Нейтронного Источника (Spallation Neutron Source).
Почему же нейронная сеть? Полученные в экспериментах по рассеянию данные можно проинтерпретировать, только сравнив их с результатами теоретических расчетов, выполненных в рамках большого числа моделей. И до последнего времени только человек с большим опытом работы в этой области мог выдвинуть гипотезу о строении кристаллической решетки, которая ограничивала число перебираемых при сравнении вариантов и экономила время. Теперь место такого специалиста может занять нейросеть. При этом нейросеть не устает и одинаково тщательно оценивает все перебираемые сценарии рассеяния нейтронов. Кроме того, благодаря объемам памяти и широте рассмотренных при обучении сценариев нейросеть способна учесть и те варианты, о которых человек никогда бы не задумался. Эта способность нейросети искать закономерности в больших объемах информации позволяет решить основную проблему обработки данных в нейтронографии – надежное определение внутренней структуры вещества.
Реализовать такую нейросеть ученым удалось на базе нейросетей типа Автокодировщик, которые часто используются для сжатия и воссоздания изображений. Для обучения сети с помощью суперкомпьютера были проведены десятки тысяч симуляций (более 50 миллиардов вычислений) – больше, чем человек в принципе способен исследовать. В результате нейросеть оказалась способна отфильтровывать экспериментальный шум, извлекая из потока необработанных данных только наиболее важную информацию, необходимую чтобы воссоздать структуру материала и построить соответствующую математическую модель, которая точно предсказывает зависимость как магнитной структуры, так и намагниченности от температуры и внешнего магнитного поля.
Сейчас ученые обучают нейросети на новом суперкомпьютере OLCF-4 Summit в Ок-Ридж, исследуя все новые типы материалов.
Мне важно Ваше мнение. Если нравится, ставьте лайк, подписывайтесь.
