基于变分自编码器通过潜在对齐提取准粒子干涉核
机器学习
2026-02-16 v3
摘要
准粒子干涉（QPI）成像是探测量子材料电子结构的强大工具，但从多散射图像中提取单散射器 QPI 图案（即核）仍是一个根本性的 ill-posed 逆问题，因为许多不同的核可以组合产生几乎相同的观测图像，噪声或重叠进一步遮蔽真实信号。现有的解决方法依赖于手动缩放到局部小区域以获得孤立的单散射器，这在散射条件过于复杂的实际情况下是不可行的。本文提出了第一个基于人工智能的 QPI 核提取框架，该框架模型化了物理上有效核的空间，并利用这一知识来指导逆向映射。我们引入一个两步学习策略，将核表示学习与观测到核的推断解耦。在第一步中，我们训练一个变分自编码器来学习散射核的紧凑潜在空间。在第二步中，我们使用专用的编码器将 QPI 观测的潜在表示与预先学习的核的潜在表示对齐。这一设计使模型能够在复杂、纠缠的散射条件下稳健地推断核。我们构建了一个包含 100 个独特核且具有物理现实性的多样化 QPI 数据集，并对该方法与直接单步骤基线进行评估。实验结果表明，我们的方法在提取精度、改进的泛化到未见核方面显著优于基线方法。为进一步验证其有效性，我们还将该方法应用于来自 Ag 和 FeSe 样品的真实 QPI 数据，在复杂散射条件下可靠地提取了有意义的核。
引用
@article{arxiv.2506.05325,
title = {Quasiparticle Interference Kernel Extraction with Variational Autoencoders via Latent Alignment},
author = {Yingshuai Ji and Haomin Zhuang and Matthew Toole and James McKenzie and Xiaolong Liu and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2506.05325},
year = {2026}
}