Исследователи из Нанкинского университета представили инновационную модель машинного обучения, которая впервые перевела одну из наиболее трудоемких задач физики конденсированного состояния в формат наглядной «карты». Проанализировав массив из 2,27 миллиона кривых магнитосопротивления, алгоритм сгруппировал их в 13 фундаментальных типов и визуализировал закономерности, определяющие переход материала из одного физического режима в другой.
В центре внимания научной работы оказался аномальный эффект Холла — явление, десятилетиями остающееся «крепким орешком» для специалистов в области магнетизма.
В классическом эффекте Холла движение электронов в поле подчиняется привычным физическим законам. Однако в специфических магнитных средах динамика носителей заряда усложняется: графики зависимости сопротивления от поля обретают причудливые формы — от двойных пиков и протяженных плато до резких изгибов и отсутствия насыщения. Интерпретация этих данных крайне затруднена, так как на итоговую картину одновременно влияют структура электронной зонной теории и механизмы рассеяния зарядов.
Ситуация осложняется в многозонных системах: каждая дополнительная переменная экспоненциально увеличивает вариативность исходов, делая задачу практически нерешаемой аналитическими методами. Чтобы преодолеть этот барьер, авторы проекта доверили поиск скрытых взаимосвязей искусственному интеллекту.
В ходе обучения нейросеть обработала более 2,27 миллиона теоретических кривых, смоделированных на базе двухзонной модели с пятью варьируемыми параметрами. ИИ был предоставлен самому себе: не имея заранее заданных классификаторов, алгоритм самостоятельно выявил ключевые паттерны в массиве данных, сведя колоссальное разнообразие кривых к 13 устойчивым базовым сценариям.
После завершения обучения модель продемонстрировала 99-процентную точность классификации. На базе этих данных ученые создали фазовые диаграммы и топологические сети, которые работают как навигационная система: они наглядно показывают, какой сдвиг в параметрах материала неизбежно переключает его свойства. Таким образом, физики получили инструмент, заменяющий разрозненные графики целостной структурной картой.
Эффективность подхода была подтверждена экспериментально при изучении магнитных нанопластинок Fe5GeTe2. Поскольку свойства этого материала поддаются тонкой настройке с помощью электрического поля, он стал идеальным объектом для верификации. Результаты измерений практически полностью совпали с предсказаниями модели, доказав жизнеспособность ИИ-методологии не только в теории, но и в лабораторной практике.
Значимость этого открытия трудно переоценить. Полученные карты позволяют мгновенно идентифицировать условия возникновения гигантского магнитосопротивления, критически важного для современных сенсоров и накопителей памяти. Кроме того, инструмент помогает локализовать области, где возможен квантовый аномальный эффект Холла — состояние, при котором ток передается вдоль границ образца практически без энергетических потерь.
Раньше поиск таких феноменов напоминал игру в угадайку с бесконечным количеством экспериментов. Теперь исследователи могут с высокой точностью фокусироваться на перспективных областях. Авторы исследования уверены, что данный подход станет ключом к изучению еще более сложных систем — топологических изоляторов и сверхпроводников, где открытие новых квантовых состояний остается приоритетной целью передовой науки.
Источник: iXBT
