机器学习在扭曲的双层基板石墨烯中发现了微观形式的无形秩序
João Augusto Sobral1,2, Stefan Obernauer3, Simon Turkel4
1Institute for Theoretical Physics III, University of Stuttgart, 70550, Stuttgart, Germany. joao.sobral@itp3.uni-stuttgart.de.
Nature communications
|August 17, 2023
概括
卷积神经网络可以从扫描道显微镜数据中学习物理模型. 这种方法成功地识别了moiré超级格子中的电子阴性顺序,将其与样本不完美区分开来.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学是一种材料科学.
- 人工智能的人工智能是人工智能.
背景情况:
- 扫描探测器技术产生了大量关于量子物质的数据.
- 莫伊尔超级格子提供独特的属性,因为它们可调节的,大格子常数.
- 了解这些系统中的相关现象至关重要.
研究的目的:
- 演示使用卷积神经网络 (CNN) 来从扫描道显微镜 (STM) 数据中学习理论模型.
- 将这种方法应用于相关的莫雷超级格子.
- 为了研究扭曲的双层石墨烯中的电子阴性顺序.
主要方法:
- 使用卷积神经网络来分析高维的STM数据集.
- 结合不同能量的状态的局部密度之间的相关性.
- 将该方法应用于扭曲的双双层石墨烯样本.
主要成果:
- 美国有线电视新闻网 (CNN) 成功学习了微观无形秩序参数.
- 这些网络可以从异构链中区分阴性秩序.
- 有效的理论模型是直接从实验数据中学习的.
结论:
- 在moiré系统中,CNN是揭示微观细节的强大工具.
- 这种方法推进了对相关量子物质的研究.
- 该方法对复杂材料具有广泛的适用性.
