通过机器学习驱动的发现揭示铁基超导体中的本征涡旋芯态
超导电性
2023-02-21 v1 数据分析、统计与概率
摘要
超导涡旋内的电子态蕴含着关于配对机制和拓扑结构的关键信息。虽然扫描隧道显微镜/谱学（STM/S）可以对涡旋进行成像，但很难将本征电子态与次表面缺陷和无序等外赋效应分离开来。我们将STM/S与无监督机器学习相结合，开发了一种筛选出铁基超导体中由嵌入无序钉扎的涡旋的方法。该方法提供了一种无偏的方式来揭示本征涡旋芯态，并可能解决关于马约拉纳零模的难题。
引用
@article{arxiv.2302.09337,
title = {Revealing intrinsic vortex-core states in Fe-based superconductors through machine-learning-driven discovery},
author = {Yueming Guo and Hu Miao and Qiang Zou and Mingming Fu and Athena S. Sefat and Andrew R. Lupini and Sergei V. Kalinin and Zheng Gai},
journal= {arXiv preprint arXiv:2302.09337},
year = {2023}
}