მუონური სპექტროსკოპია წარმოადგენს ელექტრონულ მასალებში ატომური მასშტაბზე მაგნეტიზმის გაზომვის მძლავრ მეთოდს, მათ შორის 'კვანტური მასალებში', როგორებიცაა ზეგამტარები და მატერიის სხვა ეგზოტიკური ფორმები.

მეცნიერები ახდენდნენ ნაწილაკთა ამაჩქარებლებით მიღებულ მიუონების ინჟექციას საკვლევ ნიმუშებში მათი მაგნიტური თვისებების გამოსაკვლევად. მიუონები მაგნიტურად წყვილდებიან მასალის ატომებთან და იწყებენ სპეციფიკური სიგნალების გამოცემას. ვინაიდან ამ სიგნალების მარტივი ანალიზით შეუძლებელია იმის დადგენა თუ რეალურად რა ხდება ნიმუშში, მკვლევარები როგორც წესი მონაცემებს ადარებენ თეორიულ მოდელებს. ამის საპირისპიროდ, ახალ კვლევებში ბრიტანელ მეცნიერთა გუნდმა გამოიყენა მონაცემთა დამუშავების სპეციფიკური ტექნიკა - ძირითადი კომპონენტების ანალიზი (PCA), რომელსაც ხშირად მიმართავენ სახეების ამოცნობის სისტემებში.

PCA მეთოდი მდგომარეობს იმაში, რომ კომპიუტერს მიაწოდო რაც შეიძლება ბევრი ერთმანეთთან დაკავშირებული ინფორმაცია და ალგორითმით ამოარჩიოთ რაც შეიძლება ნაკლები მონაცემი ისე, რომ შესაძლებელი იყოს სხვა მონაცემების აღდგენა. ხოლო როცა კომპიუტერი ახალ მონაცემებს იღებს სისტემა გეუბნება ემთხვევა თუ არა იგი მისთვის უკვე ნაცნობ ინფორმაციას.

მკვლევრებმა გამოიყენეს ეს მეთოდი ელექტრონულ მასალებში ინჯექტირებული მიუონებისაგან მიღებული სიგნალების ანალიზისთვის. ესპერიმენტები ჩატარდა რეზენფორდ-ეპლეტონის ლაბორატორიაში (დიდი ბრიტანეთი) არსებული ნეიტრონებისა და მიუონების ამაჩქარებელზე ISIS. მიღებული მონაცემები კი შემდგომში დამუშავებული იქნა PCA-მეთოდით.

კერძოდ, მანქანური სწავლების ტექნიკა გამოყენებული იქნა სხვადასხვა მასალებში ფაზური გადასვლების დასადგენად. იზომებოდა მაგნიტური ველის განაწილება სინჯის დინამიკურ მახასიათებლებთან ერთად, რომელთა სხვადასხვა ტემპერატურაზე მკვეთრი ცვლილება შეიძლება მიუთითებდეს ფაზურ გადასვლაზე.

შედეგებმა აჩვენა, რომ ახალი ტექნიკა ისეთივე ეფექტურია როგორც სტანდარტულ მეთოდი, ხოლო ზოგ შემთხვევაში ფაზური გადასვლების დეტექტირება მასზე უკეთ შეეძლო. შედეგები გამოქვეყნდა 2021 წლის 26 აპრილს ჟურნალში Journal of Physics: Condensed Matter.

როგორც სტატიის ერთ-ერთი ავტორი Jorge Quintanilla (კენტის უნივერსიტეტი) ამბობს: ”ჩვენი კვლევის შედეგები გამორჩეულია, რადგან ამას მიაღწია ალგორითმმა, რომელმაც არაფერი იცოდა შესასწავლი მასალების ფიზიკის შესახებ. ეს მიგვანიშნებს იმაზე, რომ ახალ მიდგომას შესაძლოა ძალიან ფართო გამოყენება ჰქონდეს. ჩვენ ალგორითმები ხელმისაწვდომი გავხადეთ მსოფლიოს სამეცნიერო საზოგადოებისთვის."

Წყარო:
https://iopscienc...48X/abe39e
https://phys.org/...icles.html