Cómo medir lo invisible: el aprendizaje automático lee los patrones electrónicos exprés
En el grafeno bicapa retorcido, los electrones se comportan como personas en un autobús abarrotado: cada uno ocupa su lugar y estorba a los vecinos. La fuerza de esta "falta de voluntad para compartir el espacio" se llama parámetro de Hubbard U. De ella depende si el material será conductor o aislante, pero medir U directamente es muy difícil.
El microscopio de efecto túnel (STM) toma imágenes donde se ve cómo se distribuyen los electrones. Sin embargo, con diferentes valores de U, las imágenes se ven casi iguales, como dos fotos de una multitud en las que las personas están un poco más apretadas. Los investigadores entrenaron una red neuronal para distinguir estas sutiles diferencias. La red neuronal observa la imagen y devuelve el valor de U, incluso si la imagen tiene ruido o está ligeramente distorsionada, como en los experimentos reales.
Este enfoque permite determinar de forma rápida y precisa el parámetro de Hubbard en materiales donde los electrones interactúan fuertemente. Esto es importante para entender la superconductividad y otros fenómenos inusuales en estructuras laminares.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2602.18890
The atomistic Hubbard interaction U, representing the on-site Coulomb repulsion, serves as a pivotal parameter in theoretical models describing correlated systems, yet its precise experimental determination, especially in moire systems, remains challenging. Scanning Tunneling Microscopy (STM) provides real-space images of the local density of states (LDOS), offering rich data sets that reflect the unique electronic structure of the material. Here, we introduce a systematic methodology for extracting the Hubbard U parameter directly from these LDOS images through the application of machine learning (ML) in the case of twisted bilayer graphene in the flat-band regime. Accurate regression of U is achieved despite the extremely high visual similarity between FT-LDOS images corresponding to different interaction strengths. Subsequent data analysis further suggests a gradual interaction-dependent redistribution of spectral weight, with a possible crossover scale of order U/t ~ 1. To assess robustness beyond idealized simulations, we introduce physically motivated perturbations that emulate experimental STM imperfections and demonstrate that augmentation-based training substantially improves generalization to noisy and symmetry-broken FT-LDOS images.
El microscopio de efecto túnel puede "ver" átomos individuales, palpando la superficie con una aguja con precisión de fracciones de nanómetro.