Учёные впервые построили «карту» поведения магнитных материалов, которая позволяет заранее находить состояния с гигантским магнитосопротивлением и квантовыми эффектами без многолетнего перебора параметров
Исследователи из Нанкинского университета разработали модель машинного обучения, которая впервые позволила свести одну из наиболее сложных задач физики конденсированного состояния к наглядной «карте». Алгоритм проанализировал более 2,27 миллиона кривых магнитосопротивления, автоматически распределил их всего по 13 типам и продемонстрировал, как изменение электронных свойств материала переводит его из одного режима поведения в другой.
Работа сфокусирована на аномальном эффекте Холла — явлении, которое десятилетиями считается одной из самых запутанных тем в физике магнитных материалов.
В обычном эффекте Холла движение электронов в магнитном поле описывается классической физикой. Однако в ряде магнитных материалов поведение электронов становится куда сложнее: зависимость сопротивления от магнитного поля проявляется в виде двойных пиков, широких плато или необычных изгибов, а также может вовсе не достигать насыщения. На форму кривых одновременно влияют электронная структура материала и процессы рассеяния электронов, поэтому крайне трудно определить, какие именно параметры отвечают за наблюдаемую картину.
Задача становится критически сложной, когда в переносе заряда участвуют несколько энергетических зон. Каждая новая переменная экспоненциально увеличивает число комбинаций, создавая многомерную проблему, для которой ранее не было универсального метода решения. Поэтому ученые отказались от ручного поиска закономерностей и делегировали анализ алгоритмам машинного обучения.
Изображение сгенерировано: Nano Banana
Для обучения модели авторы сгенерировали более 2,27 миллиона теоретических кривых магнитосопротивления, рассчитанных на базе двухзонной модели с пятью варьируемыми электронными параметрами. Алгоритм работал без предварительно заданных категорий, самостоятельно выявляя закономерности в массиве данных. Несмотря на огромное разнообразие графиков, система классифицировала их всего в 13 устойчивых типов.
После этого нейросеть обучили распознавать эти типы. При тестировании на новых данных она продемонстрировала точность классификации около 99%. Затем физики построили фазовые диаграммы и топологические сети, показывающие, как изменение даже одного параметра переводит материал в новый режим магнитосопротивления. Вместо набора разрозненных графиков ученые получили полноценную «навигационную карту» свойств материалов.
Чтобы подтвердить состоятельность модели, ее проверили на экспериментальных данных для магнитных нанопластинок Fe5GeTe2. Электронные свойства этого материала поддаются изменению через электрическое поле, что делает его отличной платформой для тестов. Реальные измерения почти полностью совпали с предсказаниями ИИ, доказав, что методика применима не только в теории.
Практическое значение открытия выходит за рамки классификации. Построенные карты позволяют сразу определить, при каких параметрах возникают материалы с гигантским магнитосопротивлением — эффектом, применяемым в современных жестких дисках и магнитных датчиках. Кроме того, они указывают зоны существования квантового аномального эффекта Холла, при котором ток течет вдоль границ материала практически без потерь энергии.
Ранее поиск подобных состояний требовал множества экспериментов и «слепого» перебора параметров. Теперь исследователи могут заранее выделить наиболее перспективные направления. Авторы работы полагают, что такой подход можно применить к еще более сложным системам: топологическим изоляторам, сверхпроводящим структурам и другим квантовым материалам, где поиск новых физических эффектов остается одной из ключевых задач науки.
