机器学习阐明了材料的隐藏顺序

极端温度会对金属产生奇怪的影响。在高温下，铁不再具有磁性。在毁灭性的寒冷中，铅成为超导体。

在过去的30年中，物理学家一直被17.5开尔文(零下256摄氏度)的硅化铀钌(URu2Si2)的确切情况所困扰。通过测量热容量和其他特征，他们可以知道它经历了某种类型的相变，但这是任何人都可以肯定地说的。大量的理论比比皆是。

由物理学家布拉德·肖夫(Dick&Dale Reis Johnson，Arts and Arts)的物理学家布拉德·拉姆肖(Brad Ramshaw)领导的一项康奈尔研究合作，结合了超声波和机器学习来缩小对此量子材料进入时的解释。所谓的“隐性命令”。

他们的论文“通过共振超声光谱学和机器学习发现的URu2Si2中的一元有序参数”发表于3月6日的《科学进展》杂志上。

该论文的资深作者拉姆肖说：“在铀化硅化钌钌中，我们不知道电子在隐藏的有序状态下正在做什么。”“我们知道它们不会变得磁化，我们知道它们不会变得超导，但是它们在做什么?有很多可能性-轨道次序，电荷密度波，价态跃迁-但是很难做到区分这些物质的不同状态。因此，电子在这个意义上是“隐藏”的。”

Ramshaw和他的博士生Sayak Ghosh使用高分辨率超声光谱法检查了URu2Si2单晶的对称特性，以及这些特性在隐藏有序相变过程中如何变化。大多数相变都伴随着对称性质的变化。例如，固体的所有原子都有序排列，而液体则没有。这些对称性变化并不总是很明显，并且可能很难通过实验来检测。

“通过观察对称性，我们不必知道铀在做什么或钌在做什么的所有细节。我们只需分析系统在相变之前的对称性以及外观如何即可。之后，”兰姆肖说。“这使我们可以采用理论家提出的可能性表，并说：'好吧，这些与相变前后的对称性并不相符，而确实如此。'很好，因为很少有您可以做出这样的确定的“是”和“否”声明。”

但是，研究人员遇到了问题。为了分析超声数据，他们通常会使用波力学对其进行建模。但是，要研究URu2Si2的最纯净形式，他们必须使用更小，更干净的样品。拉姆肖说，这种“形状奇特的小六角形芯片”太小了，对于直接的波动力学解决方案来说，不确定性太大。

因此，Ramshaw和Ghosh求助于物理学教授，该论文的合著者Eun-Ah Kim和她的博士生Michael Matty，以产生一种可以分析数据并揭示潜在模式的机器学习算法。

Kim说：“机器学习不仅是针对图像数据或大数据。”“它可以大大改变对任何数据的分析，从而避免了手动建模的复杂性。”

论文的共同主要作者马蒂说：“这很难，因为数据只是一个数字列表。没有任何方法，就没有结构，也不可能从中学习任何东西。”“机器学习确实擅长于学习函数。但是您必须正确地进行训练。想法是，有一些函数可以将数字列表映射到一类理论上。给定一组数值近似的数据，我们可以什么是有效回归才能学习一个为我们解释数据的函数。”

机器学习算法的结果消除了隐藏顺序的20多种可能解释中的大约一半。它可能尚未解决URu2Si2之谜，但为解决实验物理学中的数据分析问题提供了一种新方法。

该小组的算法可以应用于其他量子材料和技术，最著名的是核磁共振(NMR)光谱，这是磁共振成像(MRI)的基本过程。拉姆肖还计划使用这项新技术来解决碲化铀的不规则几何形状，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。

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大学材料研究中心的支持，并获得了美国国家科学基金会材料研究科学和工程中心计划的资助。