Aprendizaje hamiltoniano de las excitaciones de triplón en un imán cuántico molecular a nanoescala artificial

Área de la Ciencia:

• Física de la materia cuántica
• Las nanociencias
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Extraer los parámetros hamiltonianos de los imanes cuánticos a nanoescala de los datos experimentales es un desafío significativo.
• Comprender estos parámetros es crucial para controlar y utilizar los fenómenos magnéticos cuánticos a nanoescala.

Objetivo del estudio:

• Establecer una estrategia de aprendizaje automático para extraer parámetros de espín hamiltonianos de la espectroscopia de túnel de barrido inelástico (STM).
• Para validar experimentalmente esta metodología se utilizarán imanes moleculares de ftaalocianina de cobalto (CoPC) en NbSe2.

Principales métodos:

• Utilizando algoritmos de aprendizaje automático entrenados en simulaciones cuánticas de muchos cuerpos con redes tensoriales.
• Aplicación de la espectroscopia de túnel de electrones inelásticos (IETS) con STM para medir la conductividad diferencial.
• Analizando los espectros de conductividad diferencial para extraer los parámetros hamiltonianos.

Principales resultados:

• Se han extraído con éxito parámetros hamiltonianos de un imán cuántico a nanoescala, incluidas las variaciones espaciales inducidas por el sustrato en los acoplamientos de intercambio.
• Demostró la predicción de parámetros hamiltonianos para imanes cuánticos CoPC de tamaño arbitrario.
• Validación de la estrategia de aprendizaje automático con respecto a las mediciones experimentales.

Conclusiones:

• Los métodos cuánticos de muchos cuerpos combinados con el aprendizaje automático proporcionan una ruta poderosa para aprender descripciones microscópicas de sistemas cuánticos a nanoescala.
• Este enfoque permite la caracterización precisa de los imanes cuánticos mediante la espectroscopia STM.
• La metodología ofrece una vía para comprender e ingeniar comportamientos magnéticos cuánticos complejos a nanoescala.