科学探索|MIT研究人员利用AI技术发现多层电子材料的隐藏磁力特性( 二 ) MIT研究人员利用AI技术发现多层

通过人工智能更好地辅助观察
"我们已经减少了以前分析中出现的模糊性，这要归功于使用机器学习辅助方法实现的分辨率翻倍， "参与这项研究的本科生研究人员Leon Fan和Henry Heiberger说。这意味着他们可以在0.5纳米的长度尺度上辨别材料特性，这是接近效应的典型空间范围的一半。这就好比从20英尺外看黑板上的文字，却无法看清任何文字。但是如果你能把这个距离减少一半，你可能就能看清所有内容。
通过对机器学习的依赖，数据分析过程也可以大大加快。该框架已被安装在几条反射仪光束线上，以支持更广泛类型的材料分析。
一些外部观察家赞扬了这项新的研究--它是第一个评估机器学习在识别接近效应方面的有效性的研究，也是第一批用于PNR数据分析的基于机器学习的软件包之一。加州大学洛杉矶分校电气工程系特聘教授兼雷神讲座教授Kang L. Wang说："Andrejevic等人的工作为捕捉PNR数据中的精细细节提供了另一种途径，显示了如何能够持续实现更高的分辨率。"
明尼苏达大学麦克奈特大学特聘教授Chris Leighton评论说："这确实是一个令人兴奋的进步。他们新的机器学习方法不仅可以大大加快这一过程，而且可以从现有数据中挤出更多的材料信息" 。
【科学探索|MIT研究人员利用AI技术发现多层电子材料的隐藏磁力特性】由麻省理工学院领导的小组已经在考虑扩大他们的研究范围。"磁接近效应并不是我们唯一关心的弱效应， "Andrejevic说。"我们开发的机器学习框架很容易转移到不同种类的问题上，比如超导接近效应，这在量子计算领域是很有意义的。"