Introduzione

I ricercatori hanno sviluppato un nuovo framework di apprendimento automatico che può risolvere problemi quantistici complessi con una grande precisione. Il framework, basato su intelligenza artificiale, utilizza reti neurali per imparare funzioni Bloch e loro corrispondenti valori energetici in modo simultaneo.

Problema di riferimento

Il problema che il gruppo di ricercatori ha cercato di risolvere è quello dell'eigenvalue problem associato ai particolari in due dimensioni periodiche potenziali, con un focus sulla geometria del reticolo a hexagono, a causa della sua topologia dei punti Dirac e della sua rilevanza per i materiali come il grafene.

Soluzione proposta

Il nuovo framework di apprendimento automatico utilizza una rete neurale per imparare le funzioni Bloch e loro corrispondenti valori energetici in modo simultaneo. Il modello è stato allenato sulla zona Brillouin per recuperare la struttura delle band e i modi Bloch, con una validazione numerica contro i metodi tradizionali di espansione a piano.

Valutazioni e applicazioni

Il modello ha dimostrato la sua capacità di catturare le modifiche nella topologia della struttura delle band. Il lavoro contribuisce al campo dell'apprendimento automatico fisico per problemi quantistici, fornendo nuove informazioni sull'interazione tra simmetria, struttura delle band e architetture neurali.