L’algorithme d’IA apprend les détails microscopiques de la nématicité dans les systèmes de moiré

Identifier et comprendre les signatures expérimentales des phases de la matière est généralement une tâche difficile en raison des fortes interactions électroniques dans un matériau et peut devenir encore plus difficile en raison d’influences externes dans les échantillons avec la présence d’impuretés ou d’autres sources de déformations. Typiquement, ces interactions entre les électrons d’un matériau donnent lieu à des phénomènes fascinants tels que le magnétisme, la supraconductivité et la nématicité électronique.

A titre d’exemple, l’interaction entre la nématicité et la déformation (une forme de déformation de l’échantillon) est un sujet pertinent puisque, d’un point de vue fondamental, les deux brisent la symétrie de rotation du système – dans le premier cas, cela est dû aux interactions entre le des électrons ; dans ce dernier cas, cela résulte d’un déplacement des positions des atomes.

Dans les deux cas, cependant, les expériences voient cela comme une préférence pour les électrons d’occuper des états à travers le matériau d’une manière qui favorise une certaine direction. En tant que tel, confirmer si les anisotropies observées sont dues à des déformations ou si elles résultent effectivement d’interactions est une tâche très difficile.

De plus, à mesure que la quantité et la complexité des données obtenues dans les configurations expérimentales augmentent, il devient impératif de trouver un moyen plus efficace de traiter ces informations. Une question naturelle, qui a été explorée ces dernières années dans de nombreux contextes, est de savoir si les approches basées sur les données, principalement dans le cadre de l’intelligence artificielle (IA), peuvent contribuer à cette tâche et, espérons-le, même faire allusion à des propriétés physiques des matériaux jusqu’alors inconnues.

Dans ce scénario, une utilisation potentielle de l’IA pourrait permettre de mieux comprendre la relation entre déformation et nématicité dans les matériaux. Si vous regardez certaines images et voyez un signe clair de rupture de symétrie de rotation, un algorithme d’apprentissage automatique peut-il faire de même ? Peut-il comprendre et se connecter aux théories microscopiques fondamentales de la nématicité et les distinguer des déformations des échantillons ? De plus, peut-il extraire plus d’informations des données que l’œil exercé d’un physicien ? Dans un ouvrage récent publié dans Communications naturellesnous démontrons que la réponse à toutes ces questions est oui.

Comment les électrons s’organisent dans les systèmes moirés

La nématicité a été récemment observée dans les systèmes moirés, notamment dans le graphène bicouche torsadé (TBG) et double bicouche torsadé (TDBG) (Fig. 1). Ces systèmes sont généralement composés d’empilements de couches de graphène avec une torsion relative entre elles. Ils ont attiré une immense attention de la part de la communauté de la matière condensée ces dernières années en raison de leur grande accordabilité et de la résolution spatiale croissante disponible dans les configurations expérimentales. Ces caractéristiques font de ces systèmes un terrain de jeu idéal pour tester des théories à partir de phénomènes fortement corrélés.

Pour mieux comprendre cette accordabilité, nous examinons comment ces phases sont accessibles expérimentalement en microscopie à effet tunnel (STM). Généralement, une polarisation potentielle est activée entre le matériau et une pointe conductrice du STM, de sorte que les porteurs de charge peuvent sauter entre les deux via un effet tunnel quantique. Le flux de ces électrons peut être suivi en fonction du biais potentiel, donnant accès à la densité d’états locale (LDOS). Cet objet nous donne des informations sur les états dans lesquels les électrons sont plus susceptibles de rester dans un certain matériau.

Si l’on change le biais potentiel, les électrons vont se réorganiser d’une certaine manière correspondant à un « remplissage » des états. Pour chaque remplissage, une certaine phase de la matière peut être privilégiée. Le motif de nématicité, par exemple, peut être observé dans ces expériences avec l’apparition de bandes uniques sur les images LDOS pour un remplissage spécifique du TDBG (Fig. 2). Si vous faites pivoter les cartes LDOS avec nématicité sur la Fig. 2 de 120º, les bandes oranges ne reviendront pas dans la même direction, une caractéristique qui est toujours présente dans TDBG (première carte LDOS sur la Fig. 2) lorsque la nématicité n’est pas présente.

Les phases nématiques sont également assez intrigantes d’un point de vue théorique car elles peuvent être liées à la promotion de certains types de supraconductivité dans les matériaux car il en existe de nombreux types, chacun dépendant de certains détails microscopiques : les électrons peuvent se réorganiser en orbitales en raison des fluctuations de spin. , charge, ou encore en raison de l’influence des vibrations du réseau dans le matériau.

De plus, dans les systèmes de moiré, l’angle de torsion peut favoriser l’occupation des états par les électrons à travers les motifs de moiré (régions vertes sur la figure 1) d’une manière qui brise la symétrie de rotation distinctement que lorsque la même chose se produit dans l’échelle du graphène (petites liaisons). dans la région agrandie de la figure 2). Ces deux cas dans TDBG sont appelés moiré et nématicité du graphène.

Apprendre la nématicité

Étant donné les données expérimentales des phases nématiques, on peut généralement définir sa théorie microscopique dans un matériau, mais obtenir directement ces détails à partir des données expérimentales est souvent un problème inverse mal défini. Pour contourner ce problème, nous avons formé un algorithme de réseau neuronal convolutif (CNN) pour reconnaître les caractéristiques de nématicité à partir des données.

Nous avons montré de nombreuses images de LDOS avec différents types de nématicité avec et sans déformation et avons demandé à l’algorithme quel type de caractéristiques physiques ils avaient en fonction d’étiquettes liées aux modèles théoriques particuliers (Fig. 3). De plus, nous avons également interrogé l’algorithme sur les valeurs de déformation dans les échantillons. Une fois que nous avons certifié qu’il pouvait bien fonctionner sur des données théoriques lors d’une étape de formation, nous avons présenté avec nématicité les données expérimentales inédites.

Le CNN a trouvé une préférence pour le moiré par rapport à la nématicité du graphène dans la région de remplissage où la nématicité s’est avérée expérimentalement plus forte. De plus, et de manière plus surprenante, la contrainte ne changeait pas beaucoup à mesure que le remplissage augmentait et devenait plus petite dans la région de forte nématicité. Cela indique que la symétrie de rotation se produit principalement en raison de la forte interaction entre les électrons (Fig. 4). Les prédictions de CNN étaient robustes même en présence de défauts spatiaux dans les cartes LDOS.

Nous sommes convaincus que les techniques de ML ont un énorme potentiel pour analyser les données expérimentales dans les systèmes de moiré et au-delà, révélant des informations difficiles à extraire par des moyens conventionnels.

Cette histoire fait partie de Dialogue Science Xoù les chercheurs peuvent rendre compte des résultats de leurs articles de recherche publiés. Visitez cette page pour plus d’informations sur ScienceX Dialog et comment y participer.

João A. Sobral est doctorant à l’Institut de physique théorique III de l’Université de Stuttgart et travaille sous la direction du professeur Mathias S. Scheurer sur l’intersection de la physique à N corps et de l’intelligence artificielle.