Selon une nouvelle étude publiée dans Newton, l’utilisation de l’intelligence artificielle permet de réduire de plusieurs mois à quelques minutes le temps nécessaire à l’identification de phases quantiques complexes dans les matériaux. Cette avancée pourrait accélérer considérablement la recherche sur les matériaux quantiques, en particulier les supraconducteurs de faible dimension.
L’étude a été menée par des théoriciens de l’université Emory et des expérimentateurs de l’université Yale. Les auteurs principaux sont Fang Liu et Yao Wang, professeurs adjoints au département de chimie de l’université Emory, et Yu He, professeur adjoint au département de physique appliquée de l’université Yale.
L’équipe a appliqué des techniques d’apprentissage automatique pour détecter des signaux spectraux clairs qui indiquent des transitions de phase dans les matériaux quantiques – des systèmes où les électrons sont fortement enchevêtrés. Ces matériaux sont notoirement difficiles à modéliser avec la physique traditionnelle en raison de leurs fluctuations imprévisibles.
« Notre méthode donne un aperçu rapide et précis d’une transition de phase très complexe, à un coût pratiquement nul », indique Xu Chen, premier auteur de l’étude et doctorant en chimie à l’université Emory. « Nous espérons que cela permettra d’accélérer considérablement les découvertes dans le domaine de la supraconductivité. »
L’un des défis de l’application de l’apprentissage automatique aux matériaux quantiques est le manque de données expérimentales de haute qualité nécessaires à l’entraînement des modèles. Pour y remédier, les chercheurs ont utilisé des simulations à haut débit pour générer de grandes quantités de données. Ils ont ensuite combiné ces résultats de simulation avec une petite quantité de données expérimentales pour créer un cadre d’apprentissage automatique puissant et efficace.
« C’est un peu comme l’entraînement des voitures autopilotées », explique M. Liu. « Vous pouvez les tester intensivement à Atlanta, mais vous voulez qu’elles fonctionnent de manière fiable à New Haven, ou vraiment n’importe où. La question est donc de savoir comment rendre l’apprentissage à la fois transférable et compréhensible. »
Leur cadre permet aux modèles d’apprentissage automatique de reconnaître des phases dans les données expérimentales – même à partir d’un seul instantané spectral – en appliquant les connaissances acquises grâce aux simulations. Cette approche permet de relever le défi permanent des données expérimentales limitées dans l’apprentissage automatique scientifique et ouvre la voie à une exploration plus rapide et plus évolutive des matériaux quantiques et des systèmes moléculaires.
Parmi les autres contributeurs à l’étude figurent Yuanjie Sun, ancien étudiant à l’université de Clemson, Eugen Hruska, ancien chercheur postdoctoral à Emory, Vivek Dixit, ancien chercheur postdoctoral à Clemson, et Jinming Yang, étudiant en doctorat à Yale.
Fluctuations quantiques : ange et démon
Les matériaux quantiques sont une catégorie spéciale de matériaux dans lesquels des particules comme les électrons et les atomes se comportent d’une manière qui défie la physique classique. L’une de leurs caractéristiques les plus fascinantes est un phénomène quantique appelé intrication, dans lequel les particules s’influencent mutuellement à une grande distance. Une analogie populaire est le chat de Schrödinger, une expérience de pensée dans laquelle un chat peut être à la fois vivant et mort. Dans les matériaux quantiques, les électrons peuvent se comporter de la même manière, en agissant collectivement plutôt qu’individuellement.
Ces corrélations inhabituelles, ou plus précisément ces fluctuations, confèrent aux matériaux quantiques leurs propriétés remarquables. L’un des exemples les plus connus est la supraconductivité à haute température que l’on trouve dans les composés d’oxyde de cuivre, ou cuprates, où l’électricité circule sans résistance dans certaines conditions.
Mais si les fluctuations accompagnent souvent ces propriétés puissantes, elles rendent également de nombreuses propriétés physiques incroyablement difficiles à comprendre, à mesurer et à concevoir. Les méthodes traditionnelles d’identification des transitions de phase dans les matériaux reposent sur ce que l’on appelle l’écart spectral, c’est-à-dire l’énergie nécessaire pour briser les paires d’électrons supraconducteurs. Toutefois, dans les systèmes présentant de fortes fluctuations, cette méthode ne fonctionne pas.
« C’est plutôt le niveau de coordination globale entre des millions d’électrons supraconducteurs, ou la phase quantique, qui régit la transition », précise M. He, qui a récemment publié une étude révélant l’étendue surprenante de cet effet.
« C’est comme s’installer dans un autre pays où tout le monde parle une autre langue : on ne peut pas se contenter de ce qui fonctionnait avant », ajoute M. Wang.
Cela signifie que les scientifiques ne peuvent pas facilement déterminer la température de transition – le point auquel la supraconductivité se déclenche – en observant simplement l’écart spectral. Il est essentiel de trouver de meilleurs moyens de caractériser ces transitions pour découvrir efficacement de nouveaux matériaux quantiques et les concevoir pour des applications réelles.
Supraconductivité à haute température
La supraconductivité – la capacité de certains matériaux à conduire l’électricité sans perte d’énergie – est l’un des phénomènes les plus fascinants de la physique quantique. Il a été découvert en 1911, lorsque des scientifiques ont constaté que le mercure perdait complètement sa résistance électrique à 4 kelvins (-452 °F), une température plus froide que n’importe quel endroit naturel de notre système solaire.
Ce n’est qu’en 1957 que les scientifiques ont été en mesure d’expliquer pleinement le fonctionnement de la supraconductivité. À des températures courantes, les électrons d’un matériau se déplacent indépendamment et entrent fréquemment en collision avec les atomes, perdant ainsi de l’énergie. Mais à très basse température, les électrons peuvent s’associer et former un nouvel état de la matière. Dans cet état, ils se déplacent en parfaite synchronisation, comme une danse bien chorégraphiée, ce qui permet à l’électricité de circuler sans résistance.
Une avancée majeure a été réalisée en 1986 avec la découverte des supraconducteurs à cuprates. Ces matériaux peuvent supraconduire à des températures aussi élevées que 130 kelvins (-211°F), ce qui, bien qu’encore froid, est suffisamment chaud pour être atteint à l’aide d’azote liquide bon marché. Les applications pratiques de la supraconductivité sont ainsi devenues beaucoup plus réalistes.
Cependant, les cuprates appartiennent à la classe des matériaux quantiques, où le comportement des électrons est régi par l’enchevêtrement et de fortes fluctuations quantiques. Ces phases matérielles sont complexes et difficiles à prédire à l’aide des théories traditionnelles, ce qui rend leur étude à la fois passionnante et difficile.
Aujourd’hui, les scientifiques du monde entier s’efforcent d’exploiter pleinement le potentiel des supraconducteurs. L’objectif ultime est de créer des matériaux supraconducteurs à température ambiante. En cas de succès, cela pourrait révolutionner tous les domaines, des réseaux électriques à l’informatique, en permettant à l’électricité de circuler avec une efficacité parfaite, sans chaleur ni perte.
Une nouvelle approche
Les chercheurs souhaitaient utiliser un modèle d’apprentissage automatique pour surmonter cet obstacle.
Toutefois, les modèles d’apprentissage automatique doivent être entraînés sur de grandes quantités de données étiquetées pour apprendre à distinguer efficacement une caractéristique particulière du bruit environnant. Le problème, bien sûr, est le faible volume de données expérimentales sur les transitions de phase dans les matériaux corrélés.
Les chercheurs ont adopté l’approche d’un réseau neuronal à inversion de domaine (DANN), une méthode de formation à la reconnaissance d’images similaire à celle utilisée dans la technologie des voitures autopilotées. Plutôt que d’introduire des millions d’images de chats dans le modèle d’apprentissage automatique, il est plus pratique d’identifier et d’extraire des caractéristiques clés des chats. Par exemple, des images 3D simples et simulées montrant les caractéristiques essentielles d’un chat peuvent être photographiées sous de nombreux angles différents afin de capturer les données synthétiques nécessaires à l’entraînement d’un modèle de reconnaissance d’un vrai chat.
« De la même manière, en simulant les données relatives aux caractéristiques essentielles de la transition de phase thermodynamique, nous pouvons entraîner un modèle d’apprentissage automatique à la reconnaître », explique M. Chen. « Cela ouvre un nouvel espace que nous pouvons explorer beaucoup plus rapidement qu’avec des expériences réelles. Dès lors que nous comprenons les principales caractéristiques d’un système, nous pouvons rapidement générer des milliers d’images afin d’entraîner un modèle d’apprentissage automatique à identifier ce schéma. »
Ces modèles, ajoute-t-il, sont directement applicables pour sonder la phase supraconductrice de spectres expérimentaux réels.
Leur approche novatrice, axée sur les données, exploite la quantité limitée de données spectroscopiques expérimentales sur les matériaux corrélés en les combinant avec de grandes quantités de données simulées. Les signatures clés de la transition de phase utilisées dans le modèle rendent transparent et explicable le processus décisionnel de l’IA qui le sous-tend.
Validation du modèle
L’équipe de physiciens de Yale a testé le modèle d’apprentissage automatique en réalisant des expériences avec un cuprate. Les résultats ont montré que la méthode peut distinguer les phases supraconductrices et non supraconductrices avec une précision de près de 98 %.
Contrairement à l’apprentissage automatique traditionnel et à l’extraction assistée de caractéristiques en spectroscopie, la nouvelle méthode repère les transitions de phase sur la base de caractéristiques spectrales à l’intérieur d’un intervalle d’énergie, ce qui la rend plus robuste et généralisable à toute une série de matériaux. Cela accroît le potentiel du modèle pour les analyses à haut débit.
En démontrant la puissance de l’apprentissage automatique pour surmonter les limites expérimentales des données, ces travaux permettent de relever un défi de longue date dans la recherche sur les matériaux quantiques, ouvrant la voie à des découvertes plus rapides qui pourraient avoir un impact sur tous les domaines, de l’électronique à haut rendement énergétique à l’informatique de la prochaine génération.
Xu Chen, doctorant en chimie théorique à l’université Emory, est le premier auteur de l’article. Il explique que l’équipe s’est inspirée de la formation à la reconnaissance d’images utilisée pour les voitures autonomes afin de créer un puissant cadre d’apprentissage automatique. (Photo : Carol Clark/Emory University)
Article : « Detecting thermodynamic phase transition via explainable machine learning of photoemission spectroscopy » – DOI : 10.1016/j.newton.2025.100066
