通过神经网络改进有限温度下的谱去卷积
计算物理
2022-12-23 v2 材料科学
摘要
在凝聚态物理研究中，谱信息对于理解材料机理具有重要作用。然而，直接通过实验或模拟获取谱信息十分困难。例如，扫描隧道谱去卷积得到的谱信息受温度展宽效应影响，该问题是不适定的且使去卷积结果不稳定。为解决此问题，现有方法（如最大熵方法）的核心思想倾向于选取适当的正则化来抑制不稳定振荡。然而，正则化的选择较为困难，且振荡并未被完全消除。我们认为非均匀采样是核心改进方向，结合随机优化与深度学习，我们引入一种基于神经网络的离散化方案来求解去卷积问题。由于神经网络可表示任意分段线性函数，我们的方法用网络替代目标谱，并可通过优化准确高效地找到更好的近似解。在关于超导体的理论数据集上的实验表明，能隙估计更准确且振荡更少；接入真实实验数据，我们的方法能为材料分析得到更清晰的结果。
引用
@article{arxiv.2109.08861,
title = {Improving the Deconvolution of Spectrum at Finite Temperature via Neural Network},
author = {Haidong Xie and Xueshuang Xiang and Yuanqing Chen},
journal= {arXiv preprint arXiv:2109.08861},
year = {2022}
}
备注
18pages, 5figures