利用机器学习揭示扭转双 bilayer 石墨烯中向列序的微观形式
强关联电子
2023-08-22 v1 无序系统与神经网络
摘要
现代扫描探针技术，如扫描隧道显微镜（STM），可获取大量编码量子物质底层物理的数据。本工作中，我们分析如何运用卷积神经网络（CNN）从关联 moiré 超晶格的 STM 数据中学习有效的理论模型。这些工程化系统尤其适合此任务，因为其增大的晶格常数提供了对单胞内物理前所未有的观测途径，且其可调性允许在单一样品内获得高维数据集。以扭转双 bilayer 石墨烯（TDBG）中的电子向列序为例，我们表明，纳入不同能量下局域态密度（LDOS）之间的关联，不仅使 CNN 能够学习微观向列序参量，还能将其与异质应变区分开。这些结果表明，神经网络构成了研究 moiré 系统及更广范围内关联现象微观细节的有力方法。
引用
@article{arxiv.2302.12274,
title = {Machine Learning Microscopic Form of Nematic Order in twisted double-bilayer graphene},
author = {João Augusto Sobral and Stefan Obernauer and Simon Turkel and Abhay N. Pasupathy and Mathias S. Scheurer},
journal= {arXiv preprint arXiv:2302.12274},
year = {2023}
}
备注
10+7 pages, 5+6 figures