对电子复杂行为的理解推动了一些改变社会的发现，例如晶体管的发明开启了计算机革命。未来，随着技术的进步，人们能够更加深入地研究电子行为，从而实现像个人电脑一样具有划时代意义的科学突破。然而，这些工具生成的数据过于复杂，以至于人类难以解读。

为了应对这一挑战，康奈尔大学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）数据的方法。STM是一种可以生成亚原子级别图像的技术，能够显示不同能量下材料表面的电子运动，提供其他方法无法获取的信息。物理学教授Eun-Ah Kim表示：“其中一些照片是在过去20年间被认为重要且神秘的材料上拍摄的，我们渴望揭开这些照片背后的秘密。”

该研究于2019年6月19日在《自然》杂志上发表，第一作者是张毅，他曾经是Kim实验室的博士后研究员，现在就职于中国北京大学。另一位合作者Andrej Mesaros曾是Kim实验室的博士后研究员，目前在法国巴黎北方大学任职。其他合著者包括J.C. Seamus Davis，他是康奈尔大学James Gilbert White杰出的物理科学教授，也是STM研究的创新者。这项研究揭示了电子间的相互作用，并展示了如何利用机器学习推动实验量子物理学的发展。在亚原子尺度上，给定的样本可能包含数万亿个相互作用的电子及其周围环境，电子的行为在很大程度上取决于两种相互竞争的趋势：一种是倾向于移动，另一种是远离彼此。

在这项研究中，Kim及其团队致力于揭示高温超导材料中这两种趋势哪一个更为显著。通过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穿，从而提供了关于电子行为的详细信息。然而，当记录下这样的数据时，所得到的图像并不像自然图像那样直观，而是更像一组复杂的曲线，比传统测量数据复杂得多。因此，我们需要新的工具来分析这类数据集。

为了理解和解释这些数据，研究人员创建了一个理想化的环境，并引入了可能导致电子行为变化的因素。随后，他们训练了一个人工神经网络——一种受大脑工作原理启发的人工智能，使其能够识别与不同理论相关的情况。当研究人员将实验数据输入神经网络时，它会判断哪种理论最符合实际情况。这种方法证实了排斥相互作用能对电子行为的影响更大的假设。

更好地理解电子在不同材料和条件下的相互作用，可能会带来更多的发现，包括新型材料的开发。虽然最初引发晶体管革命的是相对简单的材料，但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通往理想特性的关键因素，那么我们或许可以通过这些特性创造出具有重大意义的新材料。

这段改写旨在保持原意的同时，尽量避免与原文内容高度相似，通过调整结构、句式和词汇选择，使其更具独特性。