极端的温度会对金属产生奇怪的作用。高温时，铁失去磁性。在严寒中，铅会变成超导体。
在过去的30年里，物理学家们一直困惑于在17.5开尔文(零下256摄氏度)下，铀钌硅化物(URu2Si2)到底发生了什么。通过测量热容和其他特征，他们可以知道它经历了某种相变，但这是所有人都能确定的。大量的理论比比皆是。
布拉德·拉姆肖(Brad Ramshaw)领导的研究小组将超声波和机器学习结合起来，缩小了对大量铀钌硅化物进入所谓“隐藏顺序”的可能解释。
由物理学家布拉德·拉姆肖领导的康奈尔大学合作项目戴尔·里斯·约翰逊是艺术与科学学院的助理教授，他将超声波和机器学习结合起来，缩小了对这种量子材料进入所谓的“隐藏顺序”时可能发生的情况的解释。
他们的论文《共振超声光谱和机器学习揭示的URu2Si2中的单组分有序参数》发表在3月6日的《科学进展》杂志上。
“在铀钌硅化物中，我们不知道电子在隐藏的有序状态下在做什么，”论文的资深作者拉姆肖说。“我们知道它们不会变成磁性的，我们知道它们不会变成超导的，但它们在做什么呢?”有很多可能性——轨道顺序、电荷密度波、原子价跃迁——但很难区分物质的这些不同状态。所以从这个意义上说，电子是‘隐藏的’。”
Ramshaw和他的博士生Sayak Ghosh使用高分辨率超声光谱来检测URu2Si2单晶的对称性，以及这些特性在隐序相变过程中是如何变化的。大多数相变都伴随着对称性的改变。例如，固体的原子排列有序，而液体则不然。这些对称性的变化并不总是很明显，而且很难通过实验检测到。
“通过观察对称性，我们不必知道铀在做什么，或者钌在做什么的所有细节。我们可以分析在相变之前系统的对称性是怎样的，相变之后又是怎样的，”拉姆肖说。“这让我们把理论家们提出的可能性表拿出来，然后说，‘嗯，这些与相变前后的对称性不一致，但这些是。’这很好，因为你很少能做出这样明确的肯定或否定的表态。”
然而，研究人员遇到了一个问题。为了分析超声波数据，他们通常会用波动力学建模。但是为了研究最纯粹的URu2Si2，他们必须使用更小、更干净的样本。拉姆肖说，这个“形状古怪的小六边形芯片”太小了，对于一个简单的波力学解决方案有太多的不确定性。
因此，拉姆肖和高希求助于物理学教授、论文的合著者之一Eun-Ah Kim，以及她的博士生迈克尔·马蒂(Michael Matty)，设计出一种能够分析数据并揭示潜在模式的机器学习算法。
金说:“机器学习不只是为了像图像一样的数据或大数据。”“它可以极大地改变任何复杂数据的分析，避免手工建模。”
研究人员使用机器学习来分析来自URu2Si2这个“形状古怪的小六边形芯片”的数据。
“这很难，因为数据只是一串数字。没有任何方法，它就没有结构，也不可能从中学到任何东西。”“机器学习真的很擅长学习功能。但是你必须正确地训练。这个想法是，有一个函数把这个数列映射到一类理论。给定一组数值近似的数据，我们可以进行有效的回归来学习一个为我们解释数据的函数。”
机器学习算法的结果排除了超过20种可能解释隐藏顺序的解释中的大约一半。它可能还不能解决URu2Si2之谜，但它为解决实验物理中的数据分析问题创造了一种新方法。
该团队的算法可以应用于其他量子材料和技术，尤其是核磁共振(NMR)光谱学，这是磁共振成像(MRI)背后的基本过程。拉姆肖还计划利用这项新技术来解决碲化铀难以驾驭的几何结构。碲化铀是一种潜在的拓扑超导体，可以作为量子计算的平台。
特约作者包括来自国家高磁场实验室、洛斯阿拉莫斯国家实验室、德国马克斯·普朗克固体化学物理研究所和荷兰莱顿大学的研究人员。
这项研究得到了美国能源部、国家科学基金会和康奈尔材料研究中心的支持，并得到了国家科学基金会材料研究科学与工程中心项目的资助。
新闻旨在传播有益信息，英文原版地址：http://news.cornell.edu/stories/2020/03/machine-learning-illuminates-materials-hidden-order