Искусственный интеллект помогает раскрыть тайны сверхпроводимости

Команда ученых из Университета Тохоку и компании Fujitsu добилась успеха в использовании искусственного интеллекта для получения новых знаний о механизме сверхпроводимости перспективного материала. Исследования проводились с помощью платформы Fujitsu Kozuchi, которая позволяет уточнять причинно-следственные связи на основе больших объемов экспериментальных данных. Это может существенно ускорить прогресс в материаловедении, включая разработку лекарств и электронных устройств, а также решение энергетических задач. В рамках проекта была применена технология к данным, полученным методом угловой фотоэмиссионной спектроскопии (ARPES). В качестве образца был выбран антимонид ванадия цезия (CsV₃Sb₅), относящийся к типу кагоме. Измерения проводились с использованием синхротронного источника света NanoTerasu. Методика, основанная на ИИ, позволяет значительно сжать объем причинно-следственного графа, что упрощает анализ больших данных. Это привело к выявлению новых закономерностей в сверхпроводимости антимонида ванадия цезия. Результаты работы опубликованы в журнале Scientific Reports.

Вопрос-ответ

Какой основной вклад сделал ИИ в исследование сверхпроводимости в этом проекте?

<pИИ помог уточнить причинно-следственные связи на больших наборах экспериментальных данных, сжать объем причинно-следственного графа и выявить новые закономерности в механизмах сверхпроводимости материала CsV₃Sb₅, что ускоряет анализ и интерпретацию ARPES-данных.

Какой материал исследовали и какие методы использовались?

<pИсследование проводилось на антимониде ванадия цезия (CsV₃Sb₅) типа кагоме. Данные получали методом угловой фотоэмиссионной спектроскопии (ARPES) на синхротронном источнике NanoTerasu, а анализ осуществлялся с помощью платформы Fujitsu Kozuchi для построения причинно-следственных графов.

Почему сжатие причинно-следственного графа важно для таких данных?

<pСжатие графа позволяет убрать лишние связи и оставить наиболее значимые зависимости между экспериментальными переменными, что делает поиск закономерностей более эффективным, снижает вычислительные требования и ускоряет выводы по механизму сверхпроводимости.

Какие перспективы открывает этот подход для материаловедения?

<pМетоды ИИ для уточнения причинно-следственных связей на больших данных можно применить к другим материалам и экспериментам, включая разработку новых материалов и устройств, а также решение энергетических задач путем ускоренного понимания механизмов свойств на уровне кагоме и связанных систем.