Der KI-Algorithmus lernt mikroskopische Details der Nematizität in Moiré-Systemen

Die Identifizierung und das Verständnis experimenteller Signaturen von Materiephasen ist aufgrund der starken Elektronenwechselwirkungen in einem Material normalerweise eine anspruchsvolle Aufgabe und kann aufgrund äußerer Einflüsse in Proben mit Verunreinigungen oder anderen Deformationsquellen noch schwieriger werden. Typischerweise führen diese Wechselwirkungen zwischen den Elektronen in einem Material zu faszinierenden Phänomenen wie Magnetismus, Supraleitung und elektronischer Nematizität.

Beispielsweise ist das Zusammenspiel von Nematizität und Spannung (eine Form der Probenverformung) ein relevantes Thema, da beide aus grundsätzlicher Sicht die Rotationssymmetrie des Systems brechen – im ersten Fall ist dies auf Wechselwirkungen zwischen den beiden zurückzuführen Elektronen; im letzteren Fall ist es das Ergebnis einer Verschiebung der Positionen der Atome.

In beiden Fällen wird dies jedoch in Experimenten als eine Bevorzugung von Elektronen gesehen, Zustände durch das Material in einer Weise zu besetzen, die eine bestimmte Richtung begünstigt. Daher ist es eine sehr anspruchsvolle Aufgabe zu bestätigen, ob beobachtete Anisotropien auf Spannungen zurückzuführen sind oder ob sie tatsächlich das Ergebnis von Wechselwirkungen sind.

Da außerdem die Menge und Komplexität der in Versuchsaufbauten gewonnenen Daten zunimmt, wird eine effektivere Art der Verarbeitung dieser Informationen unabdingbar. Eine natürliche Frage, die in den letzten Jahren in vielen Zusammenhängen untersucht wurde, ist, ob datengesteuerte Ansätze, hauptsächlich im Bereich der künstlichen Intelligenz (KI), zu dieser Aufgabe beitragen und hoffentlich sogar Hinweise auf bisher unentdeckte physikalische Eigenschaften von Materialien geben können.

In diesem Szenario könnte ein möglicher Einsatz von KI darin bestehen, den Zusammenhang zwischen Spannung und Nematizität in Materialien besser zu verstehen. Kann ein maschineller Lernalgorithmus dasselbe tun, wenn Sie sich bestimmte Bilder ansehen und deutliche Anzeichen für einen Bruch der Rotationssymmetrie erkennen? Kann es grundlegende mikroskopische Theorien der Nematizität verstehen, mit ihnen in Verbindung treten und sie von den Probendeformationen unterscheiden? Kann es außerdem mehr Informationen aus den Daten extrahieren als das geschulte Auge eines Physikers? In einer kürzlich veröffentlichten Arbeit in Naturkommunikationzeigen wir, dass die Antwort auf alle diese Fragen „Ja“ lautet.

Wie sich Elektronen in Moiré-Systemen organisieren

Nematizität wurde kürzlich in Moiré-Systemen beobachtet, und zwar in Twisted Bilayer (TBG) und Twisted Double Bilayer (TDBG)-Graphen (Abb. 1). Diese Systeme bestehen typischerweise aus Stapeln von Graphenschichten mit einer relativen Drehung zwischen ihnen. Sie haben in den letzten Jahren aufgrund ihrer hohen Abstimmbarkeit und der zunehmenden räumlichen Auflösung, die in experimentellen Aufbauten verfügbar ist, große Aufmerksamkeit in der Gemeinschaft der kondensierten Materie auf sich gezogen. Diese Eigenschaften machen diese Systeme zu einem perfekten Spielplatz für die Prüfung von Theorien aus stark korrelierten Phänomenen.

Um diese Abstimmbarkeit besser zu verstehen, betrachten wir, wie experimentell auf diese Phasen in der Rastertunnelmikroskopie (STM) zugegriffen wird. Typischerweise wird zwischen dem Material und einer leitenden Spitze des STM eine potenzielle Vorspannung aktiviert, so dass Ladungsträger durch Quantentunneln zwischen den beiden springen können. Der Fluss dieser Elektronen kann als Funktion der potenziellen Vorspannung verfolgt werden, was Zugang zur lokalen Zustandsdichte (LDOS) ermöglicht. Dieses Objekt gibt uns Auskunft über die Zustände, in denen sich die Elektronen mit größerer Wahrscheinlichkeit in einem bestimmten Material aufhalten.

Wenn wir die Potentialvorspannung ändern, werden sich die Elektronen auf eine bestimmte Weise neu organisieren, was einer „Auffüllung“ der Zustände entspricht. Für jede Füllung kann eine bestimmte Phase der Materie bevorzugt werden. Das Muster der Nematizität lässt sich beispielsweise in diesen Experimenten anhand des Auftretens einzigartiger Streifen über den LDOS-Bildern für eine bestimmte Füllung in TDBG erkennen (Abb. 2). Wenn Sie die LDOS-Karten mit Nematizität in Abb. 2 um 120° drehen, kehren die orangefarbenen Streifen nicht in die gleiche Richtung zurück, ein Merkmal, das in TDBG (erste LDOS-Karte in Abb. 2) immer vorhanden ist, wenn keine Nematizität vorhanden ist.

Nematische Phasen sind auch aus theoretischer Sicht recht faszinierend, da sie mit der Begünstigung bestimmter Arten von Supraleitung in Materialien in Verbindung gebracht werden können, da es sie in vielen Arten gibt, die jeweils von bestimmten mikroskopischen Details abhängen: Elektronen können sich aufgrund von Spinschwankungen in Orbitalen neu organisieren , Ladung oder sogar durch den Einfluss von Gitterschwingungen im Material.

Darüber hinaus kann der Verdrillungswinkel in Moiré-Systemen dazu führen, dass die Elektronen Zustände durch die Moiré-Muster (grüne Bereiche in Abb. 1) besetzen, und zwar auf eine Art und Weise, die die Rotationssymmetrie deutlich bricht, als wenn das Gleiche in der Graphenskala auftritt (kleine Bindungen). im vergrößerten Bereich von Abb. 2). Diese beiden Fälle in TDBG werden als Moiré- und Graphen-Nematizität bezeichnet.

Nematizität lernen

Anhand experimenteller Daten zu nematischen Phasen kann man typischerweise die mikroskopische Theorie eines Materials definieren, diese Details direkt aus den experimentellen Daten zu erhalten, ist jedoch oft ein schlecht definiertes inverses Problem. Um dieses Problem zu umgehen, haben wir einen CNN-Algorithmus (Convolutional Neural Network) trainiert, um Nematizitätsmerkmale aus den Daten zu erkennen.

Wir zeigten viele Bilder von LDOS mit unterschiedlichen Arten von Nematizität mit und ohne Spannung und fragten den Algorithmus, welche Art von physikalischen Merkmalen sie hatten, basierend auf Etiketten, die mit den jeweiligen theoretischen Modellen verbunden waren (Abb. 3). Darüber hinaus haben wir den Algorithmus auch nach den Dehnungswerten in den Proben abgefragt. Nachdem wir während einer Trainingsphase bestätigt hatten, dass es mit theoretischen Daten gute Ergebnisse erzielen konnte, präsentierten wir die zuvor ungesehenen experimentellen Daten mit Nematizität.

Das CNN stellte fest, dass im Bereich der Füllung, in dem experimentell festgestellt wurde, dass die Nematizität stärker ist, Moiré gegenüber Graphen-Nematizität bevorzugt wird. Darüber hinaus und was noch überraschender ist, änderte sich die Spannung mit zunehmender Füllung nicht wesentlich und wurde im Bereich starker Nematizität kleiner. Dies deutet darauf hin, dass die Rotationssymmetrie hauptsächlich auf der starken Wechselwirkung zwischen den Elektronen beruht (Abb. 4). Die CNN-Vorhersagen waren selbst bei räumlichen Defekten in den LDOS-Karten robust.

Wir sind davon überzeugt, dass ML-Techniken ein enormes Potenzial für die Analyse experimenteller Daten in Moiré-Systemen und darüber hinaus haben und Erkenntnisse liefern, die mit herkömmlichen Mitteln nur schwer zu gewinnen sind.

Diese Geschichte ist Teil von Science X-Dialogwo Forscher Ergebnisse aus ihren veröffentlichten Forschungsartikeln melden können. Besuchen Sie diese Seite Weitere Informationen zum ScienceX Dialog und zur Teilnahme finden Sie hier.

João A. Sobral ist Doktorand am Institut für Theoretische Physik III der Universität Stuttgart und arbeitet unter der Leitung von Prof. Mathias S. Scheurer an der Schnittstelle von Vielteilchenphysik und künstlicher Intelligenz.