iScience特刊:人工智能与机器学习助力量子材料设计
量子材料这一新兴研究领域包含着大量引人入胜的奇异现象,如复杂的轨道、电荷、晶格以及自旋相互作用,乃至对物理科学概念基础理解的突破。近期强大的人工智能应用和机器学习工具已经替代了现有的模拟和分析技术,并从实验数据中释放出至关重要的洞见。本期iScience特辑旨在全面地汇编和发表在量子材料基础和机器学习方法领域内的新兴跨学科研究文章。这些论文将加深我们对量子材料的基础物理化学的理解,促进量子材料的发现、合成与表征(包括预测和实验),以及数据科学和算法驱动的交互和应用。哈佛大学的Prineha Narang教授,北京量子信息科学研究院的陈剑豪研究员,巴塞尔大学的Maria Longobardi博士以及橡树岭国家实验室的Sergei V. Kalinin教授将担任本期特辑的客座编辑。
量子热机可用于执行实际任务,如提供电力、冷却或加热等。在此研究工作中,来自意大利英苏布里亚大学的Giuliano Benenti研究团队考虑采用混合热机,以同时执行一个以上的任务。研究团队表征并找到了用于三端量子热机的最佳工作条件,工作介质是一个耦合到三个热浴中的量子谐波振荡器,其中两个耦合是定期驱动的。研究表明,可以在纯模式和混合模式下有效地操作热机,并且仅仅通过改变驱动频率就可以实现不同操作模式之间的切换。此外,就输出-输入信号和差分增益而言,研究所提出的装置也可以作为高性能的晶体管来使用。基于其多功能性和可调谐性,该研究模型可能对工程热力学项目和量子技术的热管理有所裨益。
磁通量依赖的拓扑绝缘体纳米线的拓扑保护表面态的子带分散表现为电导测量中观察到的阿哈罗诺夫-玻姆振荡(Aharonov–Bohm oscillations, ABOs),反映了由于自旋螺旋表面态的π的Berry相。在该研究工作中,来自韩国标准与科学研究院的Myung-Ho Bae和忠南国立大学的Jonghyun Song研究团队使用热电测量以探测拓扑绝缘体纳米线)在外部磁场以及外加栅压条件下,其表面态的费米能级态密度的变化。在磁热电压中观察到的ABOs显示出180°的异相振荡,取决于所施加的栅极电压值,可用于调控费米波数和费米能级的态密度。ABOs振幅的温度依赖性表明,其相位一致性保持在T = 15 K。该热电测量方法有望用于探测各种量子材料中费米能级的电子结构。
磁性结构的确定对于凝聚态物理以及材料科学研究是一项长期挑战。中子衍射等实验技术资源有限,需要复杂的结构优化操作;而诸如第一性原理密度泛函理论(DFT)等计算方法需要额外的半经验校正,可靠预测很大程度上仍局限于共线性磁性。在该研究工作中,来自麻省理工学院的Mingda Li和Tess Smidt研究团队提出了一种机器学习模型,旨在通过输入含有过渡金属和稀土元素的原子坐标来对磁性结构进行分类。该研究通过建立一个保留晶体对称性的欧几里得等值神经网络以预测磁性结构(铁磁、反铁磁和非磁)以及磁传播矢量(零或非零),平均准确率为77.8%和73.6%。特别地,即使结构中含有磁性元素,该模型在预测无磁性排序时也能达到91%的准确率。该工作有望成为解决全磁结构测定这一巨大挑战的关键一步。
1974年,我们出版了首本旗舰期刊《细胞》。如今,CellPress已发展为拥有50多本期刊的全科学领域国际前沿学术出版社。我们坚信,科学的力量将永远造福人类。