对电子复杂行为的理解促使了一些改变社会的发现，比如晶体管的发明使计算机革命成为可能。今天，通过技术的进步，人们可以比过去更深入地研究电子行为，从而有可能实现像个人电脑那样改变世界的科学突破。然而，这些工具生成的数据太复杂，人类无法解释。科内尔领导的一个团队开发了一种利用机器学习来分析扫描隧道显微镜(STM)生成数据的方法，扫描隧道显微镜是一种技术，它可以生成亚原子尺度的图像。

显示不同能量下材料表面的电子运动，提供任何其他方法都无法获得的信息，物理学教授Eun-Ah Kim说：其中一些照片是用20年来被认为是重要而神秘的材料拍摄，想知道这些照片中隐藏着什么样的秘密，想要解开这些秘密。其研究2019年6月19日发表在《自然》上，第一作者是张毅，他曾是Kim实验室的博士后研究员，现在在中国北京大学，和Andrej Mesaros（曾是Kim实验室的博士后研究员，现在在法国巴黎南方大学）。

合著者包括J.C. Seamus Davis，康奈尔大学James Gilbert White杰出的物理科学教授，stm驱动研究的创新者。这项研究对电子如何相互作用产生了新的见解，并展示了如何利用机器学习来推动实验量子物理学的进一步发现。在亚原子尺度上，一个给定的样本将包括数万亿个相互作用的电子和周围环境，电子的行为在一定程度上是由它们两种相互竞争倾向之间的张力决定：移动，与动能有关；远离彼此，与排斥相互作用能有关。

在这项研究中，Kim和合作者着手发现在高温超导材料中哪种倾向更重要。利用STM，电子在显微镜的导电端和被检测样品表面之间通过真空隧道，提供了关于电子行为的详细信息。问题是，当把这样的数据记录下来，得到类似图像的数据，但它不是像苹果或梨那样的自然图像，仪器产生的数据更像一个图形，比传统的测量曲线复杂一万倍左右，我们没有一个好的工具来研究这类数据集。

为了解释这些数据，研究人员模拟了一个理想的环境，并添加了会导致电子行为变化的因素。然后训练了一个人工神经网络(一种人工智能，可以使用受大脑工作方式启发的方法学习特定任务)来识别与不同理论相关的环境。当研究人员将实验数据输入神经网络时，神经网络会决定哪一种理论与实际数据最相似。这种方法证实了排斥相互作用能对电子行为影响更大的假设。

更好地理解在不同材料和不同条件下有多少电子相互作用，可能会导致更多的发现，包括新材料的开发。导致晶体管最初革命的材料实际上是非常简单的材料，现在我们有能力设计更复杂的材料，如果这些强大的工具能够揭示出通向理想属性的重要方面，希望能够利用这种属性制作出一种材料。