Учёные и ИИ совместно раскрыли скрытые магнитные состояния в квантовых спиновых жидкостях

Рукопожатие на фоне фиолетового свечения и узоров компьютерных чипов. Автор: Каори Серакаки/OIST

На переднем крае научных открытий, где исследуются сложнейшие вопросы, часто не хватает данных. В то же время успешное машинное обучение (МО) обычно требует больших наборов качественных данных для обучения. Как же учёные могут эффективно использовать ИИ в своих исследованиях?

В журнале Physical Review Research описана методика применения МО для решения сложных задач в физике конденсированного состояния. Этот подход позволяет решать проблемы, которые ранее не поддавались ни физическим симуляциям, ни алгоритмам МО по отдельности.

Исследователи изучали «фрустрированные магниты» — магнитные материалы с конкурирующими взаимодействиями, приводящими к экзотическим магнитным свойствам. Эти материалы важны для развития квантовых вычислений и понимания квантовой гравитации. Однако их крайне сложно моделировать из-за особенностей взаимодействия магнитных ионов.

Международная команда из Японии, Франции и Германии исследовала, как свойства одного типа магнитного материала меняются при охлаждении к абсолютному нулю.

Особый интерес представляла «спиновая жидкость» — фаза, которая при охлаждении переходит в особое магнитное состояние. Однако учёные не могли понять результаты своих симуляций этого перехода.

«Физики особенно заинтересованы одним типом квантовой спиновой жидкости, которая может помочь в создании отказоустойчивых квантовых компьютеров», — пояснил профессор Ник Шеннон из Окинавского института науки и технологий.

Фазовая диаграмма свойств пирохлора при разных температурах. Зелёным обозначена фаза спиновой жидкости, жёлтым — неизвестная фаза, которую не удавалось идентифицировать. Автор: Садун и др., 2025

Учёные OIST объединились со специалистами по МО из Мюнхенского университета, разработавшими алгоритм для классификации магнитных порядков.

«Наш метод интерпретируем — человек может понять процесс принятия решений, и он не требует предварительного обучения. Это делает его идеальным для задач с ограниченными данными», — отметил профессор Лоде Полле из LMU Мюнхена.

Используя метод Монте-Карло и алгоритм МО, исследователи смогли выявить закономерности в данных. Затем они «разогрели» ранее неизвестную фазу, подтвердив её свойства.

«Ни человек, ни ИИ по отдельности не смогли бы решить эту задачу. Это был настоящий симбиоз — алгоритм замечал то, что ускользало от нас, и наоборот», — добавил доктор Людовик Жобер из Университета Бордо.

Это открытие прокладывает путь для решения других сложных задач в физике конденсированного состояния с помощью комбинации человеческого интеллекта и ИИ.

Дополнительная информация: Nicolas Sadoune et al, Human-machine collaboration: Ordering mechanism of rank-2 spin liquid on breathing pyrochlore lattice, Physical Review Research (2025). DOI: 10.1103/c6z1-wh6l