从魔角双层石墨烯 STM 数据中无监督学习双组分向列性
强关联电子
2022-10-18 v2
摘要
魔角材料如魔角扭转双层石墨烯（MATBG）表现出显著的现象学，但对某些实验方法特别是扫描探针如扫描隧道显微镜（STM）提出了重大挑战。典型的 STM 研究可成像数万个原子晶胞，但只能成像约十个莫尔晶胞，使数据分析在统计上充满隐患。在此，我们提出一种方法，通过聚合多个偏置电压下的 STM 电导数据，然后使用高斯混合模型聚类的无监督机器学习方法从所得数据集中获取最大洞察，以缓解此问题。我们将此方法应用于 MATBG 中电荷中性和空穴掺杂样品的向列序倾向研究，输入为尊重点群对称性的粗粒化键变量。对于电荷中性数据集，聚类揭示了多种无对称性关联因而通常非简并的向列性惊人共存。相比之下，空穴掺杂数据中的聚类与单一类型的长程序一致。除在分析 MATBG 向列性中的价值外，我们的方法还有潜力增强对多种魔角材料中对称性破缺及其空间变化的理解。
引用
@article{arxiv.2203.04449,
title = {Unsupervised learning of two-component nematicity from STM data on magic angle bilayer graphene},
author = {William Taranto and Samuel Lederer and Youngjoon Choi and Pavel Izmailov and Andrew Gordon Wilson and Stevan Nadj-Perge and Eun-Ah Kim},
journal= {arXiv preprint arXiv:2203.04449},
year = {2022}
}