Как измерить невидимое: машинное обучение читает электронные узоры экспресс
В скрученном двухслойном графене электроны ведут себя как люди в переполненном автобусе: каждый занимает место и мешает соседям. Сила этого «нежелания делить пространство» называется параметром Хаббарда U. От него зависит, будет ли материал проводником или изолятором, но измерить U напрямую очень трудно.
Сканирующий туннельный микроскоп (СТМ) делает снимки, где видно, как распределены электроны. Однако при разных значениях U картинки выглядят почти одинаково — как два фото толпы, где люди чуть плотнее прижаты друг к другу. Исследователи обучили нейросеть различать эти тонкие отличия. Нейросеть смотрит на изображение и выдаёт число U, даже если картинка зашумлена или слегка искажена, как при реальных экспериментах.
Такой подход позволяет быстро и точно определять параметр Хаббарда в материалах, где электроны сильно взаимодействуют. Это важно для понимания сверхпроводимости и других необычных явлений в слоистых структурах.
Оригинальная аннотация
как её написали авторы, на английском 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.
Сканирующий туннельный микроскоп может «видеть» отдельные атомы, ощупывая поверхность иглой с точностью до долей нанометра.