In de microscopische wereld van kwantummaterialen gedragen elektronen zich niet als eenzame reizigers. Wanneer ze dicht op elkaar gepakt zitten in een vaste stof, worden ze zich intens bewust van elkaar, waarbij ze in een complexe, collectieve dans duwen en trekken die aanleiding geeft tot vreemde en krachtige verschijnselen. Een van de meest intrigerende van deze gedragingen is supergeleiding, een toestand waarin elektriciteit stroomt met nul weerstand. Hoewel we begrijpen hoe eenvoudige supergeleiders werken, blijven de meest boeiende en nuttige materialen—de materialen die elektriciteit geleiden zonder weerstand bij veel hogere temperaturen—een mysterie. Deze "onconventionele" supergeleiders, vaak te vinden in koperhoudende keramiek, bevatten elektronen die zo sterk aan elkaar gelinkt zijn dat hun gedrag niet voorspeld kan worden door naar hen individueel te kijken. Om hen te begrijpen, moeten wetenschappers de hele menigte elektronen tegelijkertijd simuleren, een taak die berucht moeilijk is omdat het aantal mogelijke arrangementen zo snel groeit dat zelfs de krachtigste supercomputers snel tijd en geheugen tekortkomen.

Decennialang hebben onderzoekers geprobeerd deze complexiteit te temmen met wiskundige afkortingen, maar deze falen vaak om de subtiele, langetermijnverbindingen te vangen die deze exotische materialen definiëren. Recentelijk is een nieuwe benadering opgekomen die leent uit het gebied van kunstmatige intelligentie. In plaats van te vertrouwen op rigide, vooraf gedefinieerde formules, trainen wetenschappers nu neurale netwerken—computersystemen ontworpen om patronen te herkennen—om de regels van de kwantumwereld direct uit de data te leren. Deze methode, bekend als neurale kwantumtoestanden, heeft ons begrip van magnetische materialen al gerevolutioneerd, maar het toepassen ervan op supergeleidende elektronen bleef een hardnekkige uitdaging. De moeilijkheid ligt in het feit dat supergeleidende elektronen paren vormen, en standaard neurale netwerktools worstelen met het nauwkeurig beschrijven van deze paren terwijl ze ook de enorme omvang van de systemen moeten afhandelen die nodig zijn om het grote plaatje te zien.

In een nieuwe studie heeft een team van onderzoekers deze kloof overbrugd door de kracht van neurale netwerken te combineren met een specifieke wiskundige structuur die elektronenparing op natuurlijke wijze beschrijft. Ze ontwikkelden een nieuw type simulatie genaamd de "hidden fermion Pfaffian state". Om te begrijpen wat dit betekent, stel je voor dat je probeert een drukke kamer te beschrijven waar iedereen hand in hand staat in paren, maar sommige mensen ook hand in hand staan met onzichtbare partners die alleen verschijnen als je goed kijkt. Traditionele methoden konden de zichtbare paren goed beschrijven, of de onzichtbare, maar niet beide tegelijkertijd zonder computationeel onmogelijk te worden. De nieuwe methode van de onderzoekers werkt als een verfijnde vertaler die zowel de zichtbare elektronen als de verborgen, vormende interacties die hen binden, tegelijkertijd kan volgen. Door dit te doen, creëerden ze een instrument dat niet alleen nauwkeuriger is dan eerdere pogingen, maar ook efficiënt genoeg is om op veel grotere systemen te draaien dan ooit tevoren.

Het team testte hun nieuwe instrument op een standaardmodel dat natuurkundigen gebruiken om interagerende elektronen te beschrijven, bekend als het Hubbard-model. Ze voerden simulaties uit onder verschillende omstandigheden, waarbij ze de sterkte van de interactie tussen elektronen en het aantal aanwezige elektronen veranderden. In de simpelste gevallen, waar de elektronen relatief vrij waren om te bewegen, bevestigde de nieuwe methode haar vermogen om het juiste gedrag te leren, waarbij de resultaten overeenkwamen met exacte berekeningen die alleen mogelijk zijn voor kleine systemen. Maar de echte test kwam in de moeilijkere regimes waar elektronen gedwongen worden om zich strak te paren. In simulaties van aantrekkende interacties, waarbij elektronen van nature paren willen vormen, legde de nieuwe methode de transitie accuraat vast van een zwakke paaringsstaat naar een sterke, strak gebonden staat. Het reproduceerde het gedrag van een bekende theorie genaamd de BCS-theorie in het zwakke limiet, maar ging daar ver voorbij wanneer de interacties sterk werden, een regime waar oudere theorieën vaak falen.

Misschien wel de meest significante prestatie was de studie van een toestand bekend als een Mott-isolator, waarbij elektronen elkaar zo sterk afstoten dat ze op hun plaats bevriezen, waardoor een isolerend materiaal ontstaat. In dit regime ontdekten de onderzoekers dat hun nieuwe methode de energie van het systeem kon voorspellen met een foutmarge die zo klein was dat deze bijna niet te onderscheiden was van de meest nauwkeurige benchmarkmethoden die beschikbaar zijn. Dit niveau van precisie is cruciaal omdat het verschil tussen een materiaal dat een supergeleider of een isolator is, vaak neerkomt op energieverschillen van slechts een fractie van een procent. Het vermogen om tussen deze minuscule energieverschillen te onderscheiden, betekent dat de nieuwe methode eindelijk de exacte grenzen tussen verschillende fasen van materie in kaart kan brengen, iets wat decennialang een grote struikelblok is geweest.

De onderzoekers pakten ook een bijzonder complex scenario aan dat bekend staat als de "stripe phase", die voorkomt in koperhoudende materialen wanneer ze licht zijn gedoteerd met extra elektronen. In deze toestand ordenen de elektronen zich in afwisselende lijnen van hoge en lage dichtheid, waardoor een patroon ontstaat dat lijkt op strepen op een overhemd. Deze fase wordt geacht nauw verwant te zijn aan hoogtemperatuur supergeleiding, maar het is extreem moeilijk geweest om dit nauwkeurig te simuleren. De nieuwe methode van het team legde de ingewikkelde patronen van lading en spin in deze strepen succesvol vast, waarbij zij alle voorgaande neurale netwerkbenaderingen overtrof. Ze ontdekten dat er zelfs in deze isolerende toestand nog steeds korte-afstandsparingen van elektronen waren, een bevinding die suggereert dat de zaden van supergeleiding aanwezig zijn nog voordat het materiaal een echte supergeleider wordt. Dit inzicht was alleen mogelijk omdat hun methode de grote systeemgroottes kon afhandelen die nodig zijn om deze patronen duidelijk te zien.

Een sleutel tot hun succes was niet alleen de nieuwe architectuur, maar ook de manier waarop ze de computercode optimaliseerden om efficiënt te draaien. Door gebruik te maken van specifieke wiskundige trucs om het aantal benodigde berekeningen te verminderen, waren ze in staat de simulatieprocedure met een factor duizend te versnellen vergeleken met wat mogelijk zou zijn met standaardtechnieken. Deze versnelling stelde hen in staat om systemen met honderden locaties te simuleren, een schaal die voorheen onbereikbaar was voor dit type neurale netwerkbenadering. Het resultaat is een methode die goed schaalt met grootte, wat betekent dat deze kan worden toegepast op nog grotere en complexere materialen in de toekomst zonder aan nauwkeurigheid in te boeten.

De implicaties van dit werk strekken zich uit voorbij het oplossen van een specifiek wiskundig probleem. Door een betrouwbare manier te bieden om sterk interagerende elektronen te simuleren, hebben de onderzoekers een deur geopend naar het begrijpen van de mechanismen achter hoogtemperatuur supergeleiding. Ze hebben aangetoond dat het mogelijk is om deze systemen te modelleren met een niveau van detail dat voorheen als onmogelijk werd beschouwd, waarbij zowel de langetermijnorde van isolatoren als de korte-afstandsparing van supergeleiders worden gevangen. De studie suggereert dat de sleutel tot het ontrafelen van de geheimen van deze materialen kan liggen in methoden die flexibel kunnen aanpassen aan verschillende soorten elektronengedrag, in plaats van hen in een enkele, rigide mal te dwingen. Zoals de auteurs opmerken, kan deze benadering binnenkort worden toegepast op complexere materialen, zoals die met meerdere soorten elektronische orbitalen, of op modellen die de effecten van magnetische velden en gedraaide lagen van atomen bevatten.

Uiteindelijk vertegenwoordigt dit werk een belangrijke stap voorwaarts in de zoektocht naar het begrijpen van de kwantumwereld. Het demonstreert dat door de patroonherkennende kracht van kunstmatige intelligentie te combineren met de diepe fysieke inzichten van de kwantummechanica, wetenschappers nu problemen kunnen aanpakken die ooit als onoplosbaar werden beschouwd. De nieuwe methode biedt niet alleen een iets betere benadering; het biedt een fundamenteel krachtigere manier om het gedrag van materie op het meest fundamentele niveau te verkennen. Terwijl onderzoekers deze instrumenten blijven verfijnen, kunnen ze eindelijk in staat zijn om nieuwe materialen te ontwerpen met op maat gemaakte eigenschappen, wat potentieel kan leiden tot een nieuwe generatie technologieën die de volledige kracht van de kwantummechanica benutten. De weg naar het begrijpen van onconventionele supergeleiding is lang, maar deze studie heeft een heldere en betrouwbare kaart geboden voor de volgende etappe van de reis.