Nel mondo microscopico dei materiali quantistici, gli elettroni non si comportano come viaggiatori solitari. Quando sono stipati strettamente insieme in un solido, diventano intensamente consapevoli l'uno dell'altro, spingendo e tirando in una danza collettiva complessa che dà origine a fenomeni strani e potenti. Tra questi comportamenti, i più intriganti è la superconduttività, uno stato in cui l'elettricità scorre con resistenza zero. Sebbene comprendiamo come funzionano i superconduttori semplici, i materiali più eccitanti e utili — quelli che conducono elettricità senza resistenza a temperature molto più elevate — rimangono un mistero. Questi superconduttori "non convenzionali", spesso presenti in ceramiche a base di rame, coinvolgono elettroni così fortemente legati che il loro comportamento non può essere predetto guardandoli individualmente. Per comprenderli, gli scienziati devono simulare l'intera folla di elettroni contemporaneamente, un compito notoriamente difficile perché il numero di possibili disposizioni cresce così velocemente che anche i supercomputer più potenti del mondo esauriscono rapidamente tempo e memoria.

Per decenni, i ricercatori hanno cercato di domare questa complessità usando scorciatoie matematiche, ma queste spesso falliscono nel catturare le connessioni sottili e a lungo raggio che definiscono questi materiali esotici. Recentemente, è emersa un approccio che trae ispirazione dal campo dell'intelligenza artificiale. Invece di affidarsi a formule rigide e predefinite, gli scienziati stanno ora addestrando reti neurali — sistemi informatici progettati per riconoscere schemi — per apprendere le regole del mondo quantistico direttamente dai dati. Questo metodo, noto come stati quantistici neurali, ha già rivoluzionato la nostra comprensione dei materiali magnetici, ma l'applicazione agli elettroni superconduttori è rimasta una sfida ostinata. La difficoltà risiede nel fatto che gli elettroni superconduttori formano coppie, e gli strumenti standard delle reti neurali faticano a descrivere queste coppie con precisione pur gestendo la mole enorme di sistemi necessari per avere una visione d'insieme.

In uno studio recente, un team di ricercatori ha colmato questo divario combinando la potenza delle reti neurali con una specifica struttura matematica che descrive naturalmente l'accoppiamento degli elettroni. Hanno sviluppato un nuovo tipo di simulazione chiamato "stato Pfaffiano dei fermioni nascosti". Per capire cosa significhi questo, immaginate di cercare di descrivere una stanza affollata dove tutti si tengono per mano a coppie, ma alcune persone tengono anche la mano a partner invisibili che appaiono solo se si guarda da vicino. I metodi tradizionali potevano descrivere bene le coppie visibili o quelle invisibili, ma non entrambe contemporaneamente senza diventare computazionalmente impossibili. Il nuovo metodo dei ricercatori agisce come un traduttore sofisticato capace di tracciare simultaneamente gli elettroni visibili e le interazioni di accoppiamento nascoste che li legano insieme. Facendo ciò, hanno creato uno strumento che non è solo più accurato dei tentativi precedenti, ma anche abbastanza efficiente da poter girare su sistemi molto più grandi rispetto a prima.

Il team ha testato il loro nuovo strumento su un modello standard usato dai fisici per descrivere elettroni interagenti, noto come modello di Hubbard. Hanno eseguito simulazioni attraverso diverse condizioni, cambiando la forza dell'interazione tra gli elettroni e il numero di elettroni presenti. Nei casi più semplici, dove gli elettroni erano relativamente liberi di muoversi, il nuovo metodo ha confermato la sua capacità di apprendere il comportamento corretto, corrispondendo ai risultati di calcoli esatti che sono possibili solo per sistemi minuscoli. Ma la vera prova arrivò nei regimi più difficili dove gli elettroni sono costretti ad accoppiarsi strettamente. Nelle simulazioni di interazioni attrattive, dove gli elettroni tendono naturalmente a formare coppie, il nuovo metodo ha catturato accuratamente la transizione da uno stato di accoppiamento debole a uno stato di accoppiamento forte e strettamente legato. Ha riprodotto il comportamento di una teoria ben nota chiamata teoria BCS nel limite debole, ma è andato molto oltre quando le interazioni sono diventate forti, un regime in cui le vecchie teorie spesso falliscono.

Forse il traguardo più significativo è stato nello studio di uno stato noto come isolante di Mott, dove gli elettroni sono così respinti l'uno dall'altro da congelarsi sul posto, creando un materiale isolante. In questo regime, i ricercatori hanno scoperto che il loro nuovo metodo poteva predire l'energia del sistema con un margine di errore così piccolo da essere quasi indistinguibile dai metodi di riferimento più precisi disponibili. Questo livello di precisione è cruciale perché la differenza tra un materiale che è un superconduttore o un isolante dipende spesso da differenze di energia che sono una mera frazione di percentuale. La capacità di distinguere tra queste minuscole lacune energetiche significa che il nuovo metodo può finalmente mappare i confini precisi tra le diverse fasi della materia, qualcosa che è stato un grande ostacolo per decenni.

I ricercatori hanno affrontato anche uno scenario particolarmente complesso noto come "fase a strisce", che si verifica nei materiali a base di rame quando vengono leggermente drogati con elettroni extra. In questo stato, gli elettroni si dispongono in linee alternate di alta e bassa densità, creando un modello che ricorda le strisce su una camicia. Si ritiene che questa fase sia strettamente correlata alla superconduttività ad alta temperatura, ma è stata incredibilmente difficile da simulare accuratamente. Il nuovo metodo del team ha catturato con successo gli intricati schemi di carica e spin in queste strisce, superando tutti i precedenti approcci di reti neurali. Hanno scoperto che anche in questo stato isolante, esistevano ancora accoppiamenti a corto raggio tra gli elettroni, una scoperta che suggerisce che i semi della superconduttività potrebbero essere presenti anche prima che il materiale diventi un vero superconduttore. Questa intuizione è stata possibile solo perché il loro metodo poteva gestire le dimensioni di sistema ampie necessarie per vedere chiaramente questi schemi.

Una chiave del loro successo non è stata solo la nuova architettura, ma anche il modo in cui hanno ottimizzato il codice informatico per farlo girare in modo efficiente. Utilizzando specifici trucchi matematici per ridurre il numero di calcoli necessari, sono stati in grado di accelerare il processo di simulazione di un fattore di mille rispetto a quanto sarebbe stato possibile con le tecniche standard. Questa accelerazione ha permesso loro di simulare sistemi con centinaia di siti, una scala precedentemente fuori portata per questo tipo di approccio di rete neurale. Il risultato è un metodo che scala bene con la dimensione, il che significa che può essere applicato a materiali ancora più grandi e complessi in futuro senza perdere la propria accuratezza.

Le implicazioni di questo lavoro vanno oltre la risoluzione di un problema matematico specifico. Fornendo un modo affidabile per simulare elettroni fortemente interagenti, i ricercatori hanno aperto una porta per comprendere i meccanismi dietro la superconduttività ad alta temperatura. Hanno dimostrato che è possibile modellare questi sistemi con un livello di dettaglio che prima era ritenuto impossibile, catturando sia l'ordine a lungo raggio degli isolanti che l'accoppiamento a corto raggio dei superconduttori. Lo studio suggerisce che la chiave per sbloccare i segreti di questi materiali potrebbe risiedere in metodi capaci di adattarsi in modo flessibile a diversi tipi di comportamento elettronico, piuttosto che forzarli in un unico stampo rigido. Come sottolineano gli autori, questo approccio potrebbe presto essere applicato a materiali più complessi, come quelli con molteplici tipi di orbitali elettronici, o a modelli che includono gli effetti di campi magnetici e strati di atomi ritorti.

In definitiva, questo lavoro rappresenta un passo avanti significativo nella ricerca di comprensione del mondo quantistico. Dimostra che, combinando il potere di riconoscimento degli schemi dell'intelligenza artificiale con la profonda intuizione fisica della meccanica quantistica, gli scienziati possono ora affrontare problemi che un tempo erano considerati intrattabili. Il nuovo metodo non offre solo una migliore approssimazione; fornisce un modo fondamentalmente più potente per esplorare il comportamento della materia al suo livello più fondamentale. Man mano che i ricercatori continuano a perfezionare questi strumenti, potrebbero finalmente essere in grado di progettare nuovi materiali con proprietà su misura, portando potenzialmente a una nuova generazione di tecnologie che sfruttano tutto il potere della meccanica quantistica. Il percorso per comprendere la superconduttività non convenzionale è lungo, ma questo studio ha fornito una mappa chiara e affidabile per la prossima tappa del viaggio.