极点温度会对金属形成古怪的影响，比如在高温下，磁铁不再具有磁性，在极低温度下，铅变成了超导体。在曩昔的30年里，物理学家们一向被17.5开尔文（零下256摄氏度）的铀钌硅化物（URU2Si2）究竟发作了什么弄糊涂了。经过丈量热容和其他特征，能够说铀钌硅化物阅历了某种类型的相变，这是任何人都能必定的，其各式各样的理论举目皆是。
由文理学院Dick&Dale Reis Johnson助理教授、物理学家布拉德·拉姆肖(Brad Ramshaw)领导的康奈尔大学(Cornell)一项协作，运用超声波和机器学习的组合，缩小了对这种量子资料进入所谓的“躲藏次序”时会发作什么的或许解说，其研讨成果宣布在《科学发展》科学期刊上。研讨的资深作者拉姆肖说：在铀钌硅化物中，咱们不知道电子在躲藏有序状况下做什么。
知道它们不会变得有磁性，知道它们不会变成超导，但它们在做什么呢？有许多或许性，如轨迹次序、电荷密度波、价态跃迁，但很难区别这些不同的物质状况。因而，从这个意义上说，电子是‘躲藏’的。
研讨团队运用高分辨率超声波光谱研讨了铀钌硅化物单晶的对称特性，以及这些特性在躲藏的有序相变进程中是怎么改动的。大多数相变都伴随着对称性的改动，例如，固体的一切原子都以一种有组织的办法摆放，而液体则不是这样。
这些对称性的改动并不总是显着，或许很难经过试验检测到。经过调查对称性，咱们不用知道铀在做什么，或许钌在做什么的一切细节。只需要剖析体系的对称性在相变之前是什么姿态，以及它在相变之后是什么姿态就能够了。这让研讨人员拿出了理论家提出的或许性表，然后说，嗯，这些与相变前后的对称性不共同，但这些是共同的。这很好，由于很少能做出如此清晰的是与否的声明。
但是，研讨人员遇到了一个问题，为了剖析超声数据，一般会用波动力学对其进行建模。但为了研讨最纯洁的铀钌硅化物，他们不得不运用更小、更洁净的样本。这个“形状独特的小六边形芯片”太小了，关于直接的波力学处理方案来说，有太多的不确定性。因而，拉姆肖和高什求助于物理学教授、研讨的合著者金恩阿和博士迈克尔·马蒂，开宣布一种机器学习算法，能够剖析数据并发现潜在的形式。
机器学习不单单是针对像图画相同的数据或大数据，它能够极大地改动对任何杂乱数据的剖析，避免了手动建模。这很难，由于数据仅仅一个数字列表，没有一点办法，它就没有结构，也不或许从中学到任何东西，机器学习真的很拿手学习函数，但有必要正确地进行练习。研讨人员的主意是，有一些函数能够将这组数字映射到一类理论。给定一组数值近似的数据，能够直接进行有用的回归，学习一个解说数据的函数。
机器学习算法的成果，消除了对躲藏次序20多种或许解说中的大约一半。它或许还没有处理铀钌硅化物之谜，但它为处理试验物理数据剖析问题发明了一种新的办法。该研讨的算法，能够应用于其他量子资料和技能，最著名的是核磁共振(NMR)光谱，这是磁共振成像(MRI)背面的根本进程。研讨人员还方案运用这项新技能来处理碲化铀的不规则几许问题，碲化铀是一种潜在的拓扑超导体，或许成为量子核算的渠道。
博科园｜研讨/来自：康奈尔大学
参阅期间《科学发展》
博科园｜科学、科技、科研、科普
重视【博科园】看更多大美世界科学
