机器学习揭示隐自能作为铜基超导电性的起源

Youhei Yamaji; Teppei Yoshida; Atsushi Fujimori; Masatoshi Imada

doi:10.1103/PhysRevResearch.3.043099

机器学习揭示隐自能作为铜基超导电性的起源

强关联电子 2023-02-14 v7

作者: Youhei Yamaji , Teppei Yoshida , Atsushi Fujimori , Masatoshi Imada

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

实验数据是理解物质的源泉。然而,可测量的量有限,而理论上重要的量有时是隐藏的。尽管如此,机器学习技术的最新进展开辟了仅从可得的实验数据中将它们揭示出来的可能性。在本文中,在各种细致的基准测试中确立该方法的可靠性之后,将玻尔兹曼机方法应用于铜基高温超导体 Bi $_2$ Sr $_2$ CuO $_{6+\delta}$ (Bi2201) 和 Bi $_2$ Sr $_2$ CaCuO $_{8+\delta}$ (Bi2212) 的角分辨光电子能谱谱。我们发现正常和异常自能中均存在显著的峰结构,但它们在总自能中相互抵消,使该结构表面上不可见,而这些峰对超导能隙做出普遍主导的贡献,从而证明了产生高- $T_{\rm c}$ 超导电性的信号。超流密度与临界温度之间的关系支持与耗散奇异金属相关的普遍载流子弛豫的参与,其中增强的超导电性由铜基材料的纠缠量子汤本性所促进。本成果为创新的机器学习谱学方法开辟道路,以揭示直接实验观测中隐藏的基本属性。

关键词

铜基超导电性机器学习玻尔兹曼机自能角分辨光电子能谱隐藏量

引用

@article{arxiv.1903.08060,
  title  = {Hidden self-energies as origin of cuprate superconductivity revealed by machine learning},
  author = {Youhei Yamaji and Teppei Yoshida and Atsushi Fujimori and Masatoshi Imada},
  journal= {arXiv preprint arXiv:1903.08060},
  year   = {2023}
}

备注

41 pages, 25 figures

机器学习揭示隐自能作为铜基超导电性的起源

摘要

关键词

引用

备注

相关论文