（文章來源：博科園）
科學家們試圖將量子材料，即那些在亞原子水平上具有相關順序的材料用于電子器件、量子計算機和超導體。量子材料的許多性質，都歸功于發生在最小尺度上的物理，完全是量子力學的物理。一些材料，如復雜的磁性材料，與量子材料有共同點，科學家可以研究這些材料，以便更好地理解量子材料，并了解它們在許多不同電子配置中存在的能力。

然而，理解量子和復雜磁性材料中發生相互作用需要嚴格的研究方法。一種這樣的方法是中子散射，在這種方法中，被稱為中子的中性粒子從材料上散射出來，從產生的相互作用中揭示其微觀性質。然而，事實證明，即使對經驗豐富的專家來說，重建材料的結構和性能也具有挑戰性。美國能源部橡樹嶺國家實驗室(ORNL)的科學家，首次使用人工智能(AI)在中子散射數據中尋找模式，這些模式可以導致對量子或復雜磁性材料內部物理的理解。

在橡樹嶺國家實驗室量子材料倡議負責人Alan Tennant的帶領下，研究團隊訓練了一個人工神經網絡(ANN)，成功地解釋了散裂中子源(SNS)進行的中子散射實驗數據，通過向該網絡提供在橡樹嶺領導力計算設施(OLCF)的系統上，執行中子散射模擬數據來訓練該網絡，包括該中心退役的Cray XK7泰坦。泰坦是當時最強大的機器之一，即使在去年秋天退休后，它仍在繼續為科學界提供新的發現。

以前，當要做實驗時，不能完全確定得到了正確的結果，有了這個神經網絡，可以對答案充滿信心，因為這個網絡必須經過廣泛的訓練。在它遇到的所有可能情況中，它都可以找到最優的解決方案。該神經網絡可以揭示當前中子散射實驗的新信息，甚至可以洞察未來哪些實驗最有利于運行。其研究成果發表在《自然通訊》期刊上，研究小組正在繼續OLCF的200petaflop IBM AC922峰會工作，這是世界上最強大的超級計算機之一。

當科學家在SNS進行中子散射實驗時，必須考慮到可能形成散射模式的許多可能的情況。破譯從材料上散射出來的中子成了一個謎，人們傳統上一直依賴對中子散射數據有豐富經驗的人，根據他們看到的散射模式來確定關于材料結構的可行假設。進行這些實驗的研究人員，通常可以為一種材料的哈密頓量（完全描述其性質的材料能量表達式）想出許多不同的情景。但它們不可能解釋每一個單獨的原因，特別是在自旋冰這樣的材料中。

自旋冰是冰的磁性類似物，被認為具有奇異的磁性狀態，在這種狀態下，南北磁極可以分離并獨立運行，這是其他磁體無法做到的。然而，確定這些材料中潛在的相互作用，已被證明是非常具有挑戰性的。訓練人工神經網絡(ANN)是一種可能的解決方案，它是一種機器學習，可以分析數據中的模式，并以類似于人腦中神經網絡的方式運行。人類永遠不可能經歷所有的情況，因為總有一些你從未想過的情況。但一臺電腦卻可以有數十萬種情況，并能為科學家總結信息。

因此，計算機變得某種程度上是可靠的。該團隊對自動編碼器（一種經常用于壓縮和重建圖像的人工神經網絡）進行了培訓，使用超過500億次計算對OLCF的超級計算資源進行了培訓，OLCF是美國能源部(DOE)位于ORNL的科學用戶設施辦公室的一個機構。能夠模擬比人類能夠檢查的更多場景，發現，人工神經網絡過濾掉實驗噪音，只從原始散射數據中提取最重要的信息，以重建材料的結構。計算機可以做一萬個模型，而不是一個人類只能做簡單的100個左右。

在研究人員對其進行訓練后，ANN可以將模擬數據與SNS的Corelli儀器記錄的實驗散射數據進行比較，Corelli儀器旨在探測玻璃等材料中的無序。ANN準確地捕捉了材料Dy2Ti2O7中1024個地點的數據，Dy2Ti2O7是一種自旋冰，在低溫下具有玻璃樣的屬性。這種材料適合研究，因為可以用令人驚嘆的數學來理解它，橡樹嶺國家實驗室是一個可以真正對這些復雜材料進行研究的地方。

研究使用ORNL的計算和數據科學環境(CADES)與OLCF的系統進行進一步模擬分析。在用模擬對網絡進行訓練后，最終確定了一個模型哈密頓量來描述材料的磁性，包括它變成類似玻璃的東西的點。現在，該團隊正在Summit上訓練更深層次的神經網絡，以進一步了解玻璃類量子材料。完成OLCF訓練示例所需的所有模擬，有了Summit，就可以以一種更具互動性的方式運行神經網絡，探索更多未知的東西。
（責任編輯：fqj）