极端温度会对金属造成奇怪的影响，比如在高温下，磁铁不再具有磁性，在极低温度下，铅变成了超导体。在过去的30年里，物理学家们一直被17.5开尔文（零下256摄氏度）的铀钌硅化物（URU2Si2）到底发生了什么弄糊涂了。通过测量热容和其他特征，可以说铀钌硅化物经历了某种类型的相变，这是任何人都能肯定的，其各种各样的理论比比皆是。
由文理学院Dick&Dale Reis Johnson助理教授、物理学家布拉德·拉姆肖(Brad Ramshaw)领导的康奈尔大学(Cornell)一项合作，利用超声波和机器学习的组合，缩小了对这种量子材料进入所谓的“隐藏秩序”时会发生什么的可能解释，其研究成果发表在《科学进展》科学期刊上。研究的资深作者拉姆肖说：在铀钌硅化物中，我们不知道电子在隐藏有序状态下做什么。
知道它们不会变得有磁性，知道它们不会变成超导，但它们在做什么呢？有很多可能性，如轨道顺序、电荷密度波、价态跃迁，但很难区分这些不同的物质状态。因此，从这个意义上说，电子是‘隐藏’的。
研究团队使用高分辨率超声波光谱研究了铀钌硅化物单晶的对称特性，以及这些特性在隐藏的有序相变过程中是如何变化的。大多数相变都伴随着对称性的变化，例如，固体的所有原子都以一种有组织的方式排列，而液体则不是这样。
这些对称性的变化并不总是明显，可能很难通过实验检测到。通过观察对称性，我们不必知道铀在做什么，或者钌在做什么的所有细节。只需要分析系统的对称性在相变之前是什么样子，以及它在相变之后是什么样子就可以了。这让研究人员拿出了理论家提出的可能性表，然后说，嗯，这些与相变前后的对称性不一致，但这些是一致的。这很好，因为很少能做出如此明确的是与否的声明。
然而，研究人员遇到了一个问题，为了分析超声数据，通常会用波动力学对其进行建模。但为了研究最纯净的铀钌硅化物，他们不得不使用更小、更干净的样本。这个“形状奇特的小六边形芯片”太小了，对于直接的波力学解决方案来说，有太多的不确定性。因此，拉姆肖和高什求助于物理学教授、研究的合著者金恩阿和博士迈克尔·马蒂，开发出一种机器学习算法，可以分析数据并发现潜在的模式。
机器学习不仅仅是针对像图像一样的数据或大数据，它可以极大地改变对任何复杂数据的分析，避免了手动建模。这很难，因为数据只是一个数字列表，没有任何方法，它就没有结构，也不可能从中学到任何东西，机器学习真的很擅长学习函数，但必须正确地进行训练。研究人员的想法是，有一些函数可以将这组数字映射到一类理论。给定一组数值近似的数据，可以进行有效的回归，学习一个解释数据的函数。
机器学习算法的结果，消除了对隐藏顺序20多种可能解释中的大约一半。它可能还没有解决铀钌硅化物之谜，但它为解决实验物理数据分析问题创造了一种新的方法。该研究的算法，可以应用于其他量子材料和技术，最著名的是核磁共振(NMR)光谱，这是磁共振成像(MRI)背后的基本过程。研究人员还计划使用这项新技术来解决碲化铀的不规则几何问题，碲化铀是一种潜在的拓扑超导体，可能成为量子计算的平台。
