Disentangling coherent and incoherent effects in superconductor photoemission spectra via machine learning
DOI (Low Temperature Physics):
https://doi.org/10.1063/10.0043135Ключові слова:
photoemission spectroscopy, electronic band structure, high-temperature superconductors, convolutional neural networks, machine learningАнотація
Розмежування когерентних та некогерентних ефектів у спектрах фотоемісії сильно корельованих матеріалів зазвичай є складним завданням через залучення численних параметрів. У дослідженні використано методи машинного навчання, зокрема згорткові нейронні мережі (CNNs), для вирішення давньої проблеми двошарового розщеплення у надпровідних купратах. Продемонстровано ефективність навчання CNN на змодельованих спектрах та підтверджено попередні результати, які встановлюють наявність двошарового розщеплення по всьому діапазону легування. Крім того, показано, що величина розщеплення не зменшується при недостатньому легуванні, всупереч очікуванням. Цей підхід не лише підкреслює потенціал машинного навчання у вирішенні складних фізичних проблем, але й забезпечує надійну основу для вдосконалення аналізу електронних властивостей у корельованих надпровідниках.
Посилання
P. W. Anderson, “The resonating valence bond state in La2CuO4 and superconductivity,” Science 235, 1196 (1987). https://doi.org/10.1126/science.235.4793.1196
R. Liu, B. W. Veal, A. P. Paulikas, J. W. Downey, P. J. Kostić, S. Fleshler, U. Welp, C. G. Olson, X. Wu, A. J. Arko, and J. J. Joyce, “Fermi-surface topology of YBa2Cu3Ox with varied oxygen stoichiometry: A photoemission study,” Phys. Rev. B 46, 11056 (1992). https://doi.org/10.1103/PhysRevB.46.11056
O. Andersen, A. Liechtenstein, O. Jepsen, and F. Paulsen, “LDA energy bands, low-energy hamiltonians, t′, t′′, t⊥(k), and J⊥J,” J. Phys. Chem. Solids 56, 1573 (1995). https://doi.org/10.1016/0022-3697(95)00269-3
J. M. Luttinger, and J. C. Ward, “Ground-state energy of a many-fermion system. II,” Phys. Rev. 118, 1417 (1960). https://doi.org/10.1103/PhysRev.118.1417
H. Ding, A. F. Bellman, J. C. Campuzano, M. Randeria, M. R. Norman, T. Yokoya, T. Takahashi, H. Katayama-Yoshida, T. Mochiku, K. Kadowaki, G. Jennings, and G. P. Brivio, “Electronic excitations in Bi2Sr2CaCu2O8: Fermi surface, dispersion, and absence of bilayer splitting,” Phys. Rev. Lett. 76, 1533 (1996). https://doi.org/10.1103/PhysRevLett.76.1533
P. W. Anderson, The Theory of Superconductivity in the High-Tc Cuprate Superconductors (Princeton University Press, 1997). ISBN: 9780691043654.
D. L. Feng, N. P. Armitage, D. H. Lu, A. Damascelli, J. P. Hu, P. Bogdanov, A. Lanzara, F. Ronning, K. M. Shen, H. Eisaki, C. Kim, Z.-X. Shen, J.-I. Shimoyama, and K. Kishio, “Bilayer splitting in the electronic structure of heavily overdoped Bi2Sr2CaCu2O8+δ,” Phys. Rev. Lett. 86, 5550 (2001). https://doi.org/10.1103/PhysRevLett.86.5550
Y.-D. Chuang, A. D. Gromko, A. Fedorov, Y. Aiura, K. Oka, Y. Ando, H. Eisaki, S. I. Uchida, and D. S. Dessau, “Doubling of the bands in overdoped Bi2Sr2CaCu2O8+δ: Evidence for c-axis bilayer coupling,” Phys. Rev. Lett. 87, 117002 (2001). https://doi.org/10.1103/PhysRevLett.87.117002
A. A. Kordyuk, S. V. Borisenko, M. S. Golden, S. Legner, K. A. Nenkov, M. Knupfer, J. Fink, H. Berger, L. Forró, and R. Follath, “Doping dependence of the Fermi surface in Bi2Sr2CaCu2O8+δ,” Phys. Rev. B 66, 014502 (2002). https://doi.org/10.1103/PhysRevB.66.014502
S. V. Borisenko, A. A. Kordyuk, T. K. Kim, A. Koitzsch, M. Knupfer, J. Fink, M. S. Golden, M. Eschrig, H. Berger, and R. Follath, “Anomalous enhancement of the coupling to the magnetic resonance mode in underdoped Pb-Bi2212,” Phys. Rev. Lett. 90, 207001 (2003). https://doi.org/10.1103/PhysRevLett.90.207001
Y.-D. Chuang, A. D. Gromko, A. V. Fedorov, Y. Aiura, K. Oka, Y. Ando, M. Lindroos, R. S. Markiewicz, A. Bansil, and D. S. Dessau, “Bilayer splitting and coherence effects in optimal and underdoped Bi2Sr2CaCu2O8+δ,” Phys. Rev. B 69, 094515 (2004). https://doi.org/10.1103/PhysRevB.69.094515
M. Eschrig, “The effect of collective spin-1 excitations on electronic spectra in high-Tc superconductors,” Adv. Phys. 55, 47 (2006). https://doi.org/10.1080/00018730600645636
T. Dahm, V. Hinkov, S. V. Borisenko, A. A. Kordyuk, V. B. Zabolotnyy, J. Fink, B. Buchner, D. J. Scalapino, W. Hanke, and B. Keimer, “Strength of the spin-fluctuation-mediated pairing interaction in a high-temperature superconductor,” Nat. Phys. 5, 217 (2009). https://doi.org/10.1038/nphys1180
A. A. Kordyuk, S. V. Borisenko, A. Koitzsch, J. Fink, M. Knupfer, and H. Berger, “Bare electron dispersion from experiment: Self-consistent self-energy analysis of photoemission data,” Phys. Rev. B 71, 214513 (2005). https://doi.org/10.1103/PhysRevB.71.214513
S. A. Ekahana, G. I. Winata, Y. Soh, A. Tamai, R. Milan, G. Aeppli, and M. Shi, “Transfer learning application of self-supervised learning in arpes,” Mach. Learn.: Sci. Technol. 4, 035021 (2023). https://doi.org/10.1088/2632-2153/aced7d
M. Imamura, and K. Takahashi, “Unsupervised learning of spatially resolved ARPES spectra for epitaxially grown graphene via nonnegative matrix factorization,” Sci. Rep. 14, 24200 (2024). https://doi.org/10.1038/s41598-024-73795-w
J. Liu, D. Huang, Y.-F. Yang, and T. Qian, “Removing grid structure in angle-resolved photoemission spectra via deep learning method,” Phys. Rev. B 107, 165106 (2023). https://doi.org/10.1103/PhysRevB.107.165106
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” arXiv:1512.03385 (2015).
M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” arXiv:1905.11946 (2019).
G. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Improving neural networks by preventing coadaptation of feature detectors,” arXiv:1207.0580 (2012).
D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” arXiv:1412.6980 (2017).
V. V. Bezguba and O. A. Kordyuk, “Multiband quantum materials,” Prog. Phys. Metals 24, 641 (2023). https://doi.org/10.15407/ufm.24.04.641
