机器学习拓扑的光谱指示子
无序系统与神经网络
2022-10-11 v4 材料科学
计算物理
摘要
拓扑材料发现已成为凝聚态物理的重要前沿。虽然理论分类框架已被用于识别数千种候选拓扑材料，但材料拓扑性的实验确定常面临重大技术挑战。X 射线吸收谱（XAS）是一种广泛使用的材料表征技术，对原子的局域对称性与化学键合敏感，而根据拓扑量子化学（TQC）理论，这些与能带拓扑密切相关。此外，作为局域结构探针，XAS 在实验与计算间具有高度定量一致性，表明来自计算谱的见解可有效指导实验。本工作中，我们利用超过 10,000 种无机材料的计算 X 射线吸收近边结构（XANES）谱训练了一个神经网络（NN）分类器，该分类器直接从 XANES 特征预测拓扑类，对拓扑类与平庸类分别取得 89% 和 93% 的 F 分数。此外，我们对少量已测化合物使用相应的实验与计算 XANES 谱获得了相一致的分类。鉴于 XAS 装置简单且兼容多模态样品环境，所提出的机器学习增强 XAS 拓扑指示子有潜力发现更广类别的拓扑材料，如不可解理化合物与非晶材料，并可进一步原位揭示场驱动现象，如磁场驱动的拓扑相变。
引用
@article{arxiv.2003.00994,
title = {Machine learning spectral indicators of topology},
author = {Nina Andrejevic and Jovana Andrejevic and B. Andrei Bernevig and Nicolas Regnault and Fei Han and Gilberto Fabbris and Thanh Nguyen and Nathan C. Drucker and Chris H. Rycroft and Mingda Li},
journal= {arXiv preprint arXiv:2003.00994},
year = {2022}
}