Новая платформа для проектирования путей движения электронов с хиральной системой предлагает новые подходы к изучению квантовых явлений
Открытие в области физики высоких энергий с помощью искусственного интеллекта и машинного обучения
Исследование хиральных электронных путей
Новая платформа для проектирования хиральных путей электронов открывает новые горизонты в понимании квантовых явлений, открытых химиками, и демонстрирует, как вторая квантовая революция способствует междисциплинарному сотрудничеству, объединяющему физику, химию и биологию для решения фундаментальных вопросов.
В конце 1990-х годов Рон Нааман из Института Вейцмана и Дэвид Вальдек из Университета Питтсбурга исследовали, как электроны рассеиваются от хиральных молекул. Предыдущие эксперименты в газовой фазе показали крошечные асимметрии — менее 0,01% — когда спин-поляризованные электроны сталкивались с лево- или правосторонними молекулами. Эффект был настолько мал, что многие считали его незначительным.
Однако в 1999 году два исследователя попробовали нечто иное. Вместо изолированных молекул в газовой фазе они создали организованные плёнки хиральных молекул и измерили, как фотоэлектроны рассеиваются при прохождении через них.
Результаты были поразительными: асимметрия подскочила до 10–20%, что более чем в тысячу раз больше, чем ожидалось. Электроны с разной ориентацией спина показали резко отличающиеся вероятности прохождения через хиральные плёнки.
Это открытие положило начало области исследований, которая продолжает озадачивать учёных более двух десятилетий спустя. Эффект хиральной индуцированной спиновой селективности (CISS) проявляется в биологии, от разделения зарядов при фотосинтезе до цепей переноса электронов, которые обеспечивают клеточное дыхание. Однако, несмотря на обширные экспериментальные и теоретические работы, механизм остаётся плохо изученным.
Программируемая платформа для квантовой хиральности
Теперь команда под руководством Джереми Леви в Университете Питтсбурга разработала то, что представляет собой программируемую платформу для квантовой хиральности, которая может предоставить новые подходы к изучению взаимодействующих электронов в хиральных системах. Исследование опубликовано в журнале Science Advances.
Работая с оксидной границей раздела между алюминатом лантана и титанатом стронция, они могут создавать электронные пути в виде произвольных спиральных геометрий на наноуровне, создавая искусственные хиральные системы, где каждый параметр можно точно контролировать. Их результаты раскрывают удивительные квантовые явления и предлагают новые пути для изучения основных механизмов, лежащих в основе таких эффектов, как CISS.
Использование искусственного интеллекта и машинного обучения в физике высоких энергий
В мире физики элементарных частиц, где учёные разгадывают тайны Вселенной, искусственный интеллект (ИИ) и машинное обучение (МО) производят фурор, углубляя понимание фундаментальных частиц. Центральную роль в этих исследованиях играют функции распределения партонов (PDFs).
PDFs — это математические модели, которые помогают учёным понять внутреннее устройство протонов, частиц, находящихся в ядре атома. Протоны состоят из ещё более мелких частиц, называемых кварками и глюонами, вместе известными как партоны. PDFs описывают, как эти партоны распределены внутри протона, по сути, предоставляя карту того, где эти крошечные частицы, скорее всего, будут найдены и сколько импульса они несут.
Эта информация помогает учёным предсказывать результаты экспериментов в физике высоких энергий, таких как эксперименты, проводимые на Большом адронном коллайдере, где протоны сталкиваются друг с другом для изучения фундаментальных сил и частиц.
Моделирование этих функций сложно из-за их сложности и ограниченной доступности экспериментальных данных. Однако ИИ и МО предлагают новые способы анализа и понимания этих сложных функций путём обработки больших наборов данных, собранных на коллайдерах.
В Аргоннской национальной лаборатории Министерства энергетики США (DOE) теоретические физики Тим Хоббс и Брэндон Кристен первыми используют ИИ/МО для решения задач моделирования PDFs, улучшая как точность PDFs, полученных из данных, так и интерпретируемость используемых для этого моделей МО.
В недавнем исследовании Хоббс и Кристен представили фреймворк «PDFdecoder». Он использует модели кодировщик-декодер, которые упрощают сложные данные в более управляемую форму, а затем реконструируют исходные данные из этой упрощённой версии.
Реконструкция PDFs имеет решающее значение, поскольку позволяет учёным предсказывать поведение частиц в экспериментах по физике высоких энергий. Ключевые свойства PDFs фиксируются через «моменты Меллина», которые представляют собой математические выражения, суммирующие распределение этих частиц.
Модель использует генеративный ИИ для заполнения пробелов и воссоздания начальных условий. В этом контексте начальные условия относятся к начальным параметрам или конфигурациям, необходимым для точного моделирования распределения кварков и глюонов внутри протонов.
Вместе эти фреймворки представляют значительный шаг вперёд в применении ИИ/МО в теории частиц. Работа Хоббса и Кристена сосредоточена на использовании ИИ/МО для решения сложных задач в физике элементарных частиц.