В исследованиях квантовых материалов иногда не хватает ни вычислительной мощности, ни теоретических догадок. Особенно когда речь идет о нестандартных магнитных состояниях, поведение которых не укладывается в привычные модели. Именно такую задачу пытались решить физики из Японии, Германии и Франции, подключив к делу ИИ — и не зря.

Ученые из Окинавского института науки и технологий совместно с коллегами из Мюнхенского университета разработали необычный метод изучения квантовых магнитов. Они сосредоточились на так называемых "фрустрированных" магнитах, где частицы не выстраиваются в упорядоченную структуру. Особый интерес представляло поведение этих материалов при температурах, близких к абсолютному нулю.

Проблема заключалась в том, что традиционные методы моделирования не позволяли понять, что происходит с так называемой спиновой жидкостью – особым состоянием магнита – при дальнейшем охлаждении. Профессор Ник Шеннон объяснил, что такие исследования важны для развития квантовых вычислений, но существующие подходы не давали ответов.

Ученые обратились к помощи машинного обучения. Немецкие коллеги предоставили специальный алгоритм, способный анализировать магнитные структуры без необходимости в больших объемах данных. Этот метод отличался высокой прозрачностью – специалисты могли понимать, как ИИ приходит к тем или иным выводам.

Команда применила комбинацию методов Монте-Карло (статистический метод для моделирования сложных систем) и машинного обучения. Алгоритм обнаружил закономерности, которые ускользали от человеческого восприятия. Затем ученые использовали эти данные для обратного моделирования, что позволило подтвердить гипотезу о поведении спиновой жидкости.

Доктор Людовик Жобер отметил, что успех стал возможен только благодаря сотрудничеству людей и ИИ. Каждая сторона вносила свой вклад: алгоритм находил скрытые закономерности, а ученые интерпретировали результаты и направляли исследования. Такой симбиоз предоставляет ученым новые возможности для решения сложных научных задач, где традиционные методы оказываются неэффективными.