从态密度中深度学习提取能带结构参数：以三层石墨烯为例

二维材料的发展带来了种类日益繁多、复杂性不断提高的新型高质量化合物。构建全面的定量理论的关键要求是准确确定这些材料的能带结构参数。然而，由于能带结构错综复杂且实验探测具有间接性，这一任务颇具挑战。在本工作中，我们引入了一个利用深度神经网络从实验数据推导能带结构参数的通用框架。我们将该方法应用于三层石墨烯的穿透场电容测量（其态密度的一种有效探测手段）。首先，我们证明训练好的深度网络能够作为紧束缚参数的函数对穿透场电容给出准确预测。接着，我们利用训练网络快速而准确的预测，直接从实验数据自动确定紧束缚参数，提取出的参数与文献中的数值吻合良好。最后，我们讨论了该方法在穿透场电容之外的其他材料与实验技术上的潜在应用。