Исследовательская группа из Национальной лаборатории Ок-Ридж (ORNL) разработала инновационный метод определения атомного происхождения необычного поведения материалов. Он основан на байесовском глубоком обучении — сочетании теории вероятностей и нейронных сетей для эффективного анализа сложных данных.
Этот подход значительно сокращает время экспериментов, позволяя быстро сканировать широкие области и выявлять ключевые характеристики материалов с интересными свойствами.
«Этот метод делает изучение материалов гораздо эффективнее, — отмечает Ганеш Нарасимха из ORNL. — Алгоритм ИИ автоматически управляет процессом, заменяя ручное сканирование и спектроскопию».
В исследовании применён арсенид европия-цинка — магнитный полуметалл с уникальным электронным поведением. Метод использует сканирующую туннельную микроскопию для связи атомной структуры и электронных свойств.
Подход применим к широкому спектру материалов, оптимизируя открытия в области ИИ и квантовой науки. Полный отчёт опубликован в npj Computational Materials.
Сканирующий туннельный микроскоп и алгоритм машинного обучения автономно ищут атомные структуры. На этом изображении показан дефект в виде вакансии в арсениде европия-цинка. Источник: Ганеш Нарасимха/ORNL, Министерство энергетики США.
Дополнительная информация: Ganesh Narasimha et al, Uncovering multiscale structure-property correlations via active learning in scanning tunneling microscopy, npj Computational Materials (2025). DOI: 10.1038/s41524-025-01642-1
Источник: https://phys.org/news/2025-09-advanced-ai-links-atomic-quantum.html