Grafi del raffreddamento: ricerca attiva di proprietà verso nanofrigoriferi quantistici

Abstract degli autori

I nanodispositivi che assorbono energia dal loro ambiente termico possono fungere da frigoriferi quantistici. Trovare configurazioni adatte, però, è come cercare un ago in un pagliaio: lo spazio degli stati a molti corpi cresce esponenzialmente con le dimensioni del dispositivo e ogni configurazione candidata richiede un costoso calcolo di chimica quantistica. Introduciamo un framework di ricerca che combina un Graph Variational Autoencoder (GVAE) con un ciclo di apprendimento attivo (AL) guidato dall’incertezza, per individuare in modo efficiente configurazioni che assorbono energia in giunzioni elettroniche con un «materiale di lavoro» 2D da ottimizzare. Il GVAE mappa parametri fisici — energie dei siti, matrici di accoppiamento, temperatura — in uno spazio latente continuo che distingue i regimi parametrici di raffreddamento da quelli dissipativi, ottenendo una capacità discriminante nella classificazione pari a $0.920 \pm 0.004$ sulle configurazioni tenute da parte e a $0.895 \pm 0.010$ su topologie di estrapolazione mai viste. Una pipeline di AL basata sul dropout Monte Carlo punta quindi al confine decisionale, selezionando iterativamente per la simulazione i candidati per i quali il modello è meno sicuro. In 32 cicli di AL, la strategia guidata dall’incertezza individua sistemi che assorbono energia con tassi costantemente superiori a quelli della baseline casuale in tutte le topologie testate (in cui solo l’1,9–8,4% delle configurazioni presenta la proprietà desiderata), offrendo un percorso efficiente nell’uso dei dati per esplorare uno spazio di progettazione combinatoriamente vasto. Lo spazio latente appreso organizza le configurazioni lungo assi interpretabili sul piano fisico, correlati ai parametri sottostanti del modello microscopico. Questo suggerisce l’esistenza di «coordinate di raffreddamento», ossia grandezze a bassa dimensionalità e interpretabili sul piano fisico che separano i regimi di raffreddamento da quelli di non raffreddamento. Il nostro framework apre così una nuova strada verso il raffreddamento efficace dei dispositivi elettronici per l’elaborazione dell’informazione su scala nanometrica, al fine di ridurre l’impatto ambientale del calcolo ad alte prestazioni.