基于角分辨光子发射谱的高维电子结构机器学习重建

量物料的涌现行为由其电子结构决定，可通过光子发射谱技术进行实验探测，这些技术生成能量和动量的四维数据集。然而，从这些高维谱数据中定量提取哈密顿量参数仍是一个重大的挑战，目前依赖于耗时的、依赖专家的分析而非标准化的工作流程。本文引入一种基于隐式神经表示的深度学习框架，用于加速检索两种过渡金属氧化物的哈密顿量参数：钙钛矿镍酸盐和陨铝盐。我们的做法优于传统的解析拟合程序，与实验费米面拓扑和能量-动量 Dispersion 具有更好的一致性。这一工作凸显了深度学习工具在理论与实验之间搭建桥梁的潜力，为量子材料的高通量、自主发现管道铺平了道路。