Materiais Topológicos e Aprendizado de Máquina: Uma Combinação Poderosa para a Computação Quântica

Os supercondutores têm sido considerados a abordagem principal para a realização de eletrônica sem resistividade. Na última década, uma nova família de materiais quânticos, os 'materiais topológicos', ofereceu uma alternativa promissora para alcançar eletrônica sem dissipação de energia. Em comparação com os supercondutores, os materiais topológicos apresentam algumas vantagens, como robustez contra perturbações. Uma das principais rotas para obter estados eletrônicos sem dissipação é o chamado 'efeito de proximidade magnética', que ocorre quando o magnetismo penetra ligeiramente na superfície de um material topológico. No entanto, observar esse efeito tem sido um desafio. O problema, segundo Zhantao Chen, estudante de doutorado em engenharia mecânica do MIT, 'é que o sinal que as pessoas procuram, que indicaria a presença desse efeito, geralmente é muito fraco para ser detectado de forma conclusiva com métodos tradicionais'. Foi por isso que uma equipe de cientistas - baseada no MIT, na Pennsylvania State University e no National Institute of Standards and Technology - decidiu tentar uma abordagem não tradicional, que acabou produzindo resultados surpreendentemente bons. Nos últimos anos, os pesquisadores confiaram em uma técnica conhecida como reflectometria de nêutrons polarizados (PNR) para sondar a estrutura magnética dependente da profundidade de materiais multicamadas, bem como procurar fenômenos como o efeito de proximidade magnética. Ao incorporar o aprendizado de máquina em sua metodologia, a equipe de pesquisa conseguiu obter uma visão mais clara do que estava acontecendo e identificar e quantificar a magnetização induzida no material topológico estudado. Essa abordagem inovadora pode abrir caminho para avanços significativos no campo da computação quântica e colocar os materiais topológicos em destaque como uma alternativa viável aos supercondutores.