Extraction of the self energy and Eliashberg function from angle resolved photoemission spectroscopy using the xARPES code

Dieser Beitrag stellt den xARPES Python-Code vor, der eine erweiterte Maximum-Entropie-Methode mit Bayes'scher Inferenz nutzt, um konsistent Elektron-Selbstenergien und Eliashberg-Funktionen aus gekrümmten Dispersionen in winkelaufgelösten Photoemissionsspektroskopie-Daten zu extrahieren, und dabei auf sowohl Modell- als auch experimentellen Datensätzen eine überlegene Genauigkeit im Vergleich zu bestehenden auf Linearisierung basierenden Ansätzen demonstriert.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen zu verstehen, wie eine überfüllte Tanzfläche funktioniert. Sie haben eine Gruppe von Tänzern (Elektronen), die zu Musik (Energie) tanzen. Manchmal stoßen die Tänzer gegeneinander oder lassen sich vom Bass ablenken, der den Boden vibrieren lässt (Phononen). Diese Wechselwirkungen verändern, wie schnell sie sich bewegen und wie lange sie auf der Tanzfläche bleiben.

In der Welt der Physik verwenden Wissenschaftler eine Technik namens winkelaufgelöste Photoemissionsspektroskopie (ARPES), um „Schnappschüsse" dieser Tänzer zu machen. Sie schießen Licht auf ein Material, schlagen Elektronen heraus und messen deren Geschwindigkeit und Richtung. Dies erzeugt eine Karte der Tanzfläche.

Das Lesen dieser Karte ist jedoch schwierig. Die Rohdaten sind ein verschwommenes, verrauschtes Bild, in dem die Pfade der Tänzer gekrümmt und verwickelt sind. Um die Regeln des Tanzes (die Physik) zu verstehen, müssen Wissenschaftler den „natürlichen" Pfad eines Tänzers von den „Störungen" trennen, die durch die Musik und andere Tänzer verursacht werden. Diese Trennung wird als Extrahieren der Selbstenergie und der Eliashberg-Funktion bezeichnet.

Hier ist, was diese Arbeit leistet, einfach erklärt:

1. Das Problem: Der Versuch, eine gerade Linie auf einer kurvigen Straße zu zeichnen

Früher versuchten Wissenschaftler, diese Tanzkarten zu analysieren, indem sie annahmen, die Tänzer bewegten sich auf perfekten geraden Linien. Sie würden eine gerade Linie durch die Daten ziehen und sagen: „Der Unterschied zwischen der geraden Linie und dem tatsächlichen Pfad ist die Störung."

Die Autoren dieser Arbeit sagen: „Das funktioniert nicht gut, wenn die Straße gekrümmt ist."
In vielen Materialien ist der natürliche Pfad eines Elektrons keine gerade Linie; es ist eine Kurve (wie eine Parabel). Wenn Sie versuchen, ein gerades Lineal an eine kurvige Straße anzulegen, erhalten Sie eine schlechte Messung der Störungen. Es ist, als würde man den Luftwiderstand auf einer Achterbahn messen, indem man tut, als wäre die Strecke flach.

2. Die Lösung: Der „xARPES"-Code

Das Team hat ein neues Computerprogramm namens xARPES entwickelt. Stellen Sie sich dieses Programm als ein superintelligentes GPS für die Tanzfläche vor. Anstatt die Daten in eine gerade Linie zu zwingen, erlaubt xARPES, dass die „Straße" gekrümmt (parabolisch) oder sogar komplexer geformt ist.

Es tut drei Hauptdinge:

• Passt die Kurve an: Es findet den bestmöglichen gekrümmten Pfad, der die Elektronen darstellt, wenn sie nicht mit irgendetwas wechselwirken.
• Trennt das Rauschen: Es rechnet das „Rauschen" (Störungen) mathematisch ab, um genau zu zeigen, wie stark die Elektronen durch die Musik (Phononen) oder durch das Anstoßen an andere Elektronen verlangsamt oder beschleunigt werden.
• Enthüllt das Notenblatt: Es rekonstruiert die Eliashberg-Funktion. Wenn die Selbstenergie die „Störung" ist, dann ist die Eliashberg-Funktion das Notenblatt der Vibrationen. Es sagt Ihnen genau, welche Noten (Frequenzen) der Boden vibriert und wie laut sie gespielt werden.

3. Die „bayessche" Detektivarbeit

Eine der größten Innovationen der Arbeit ist der Umgang mit Unsicherheit. Normalerweise müssen Wissenschaftler die Startparameter für ihre Analyse raten (wie die Geschwindigkeit der Tänzer, bevor sie beginnen). Dies ist subjektiv und kann zu Verzerrungen führen.

Die Autoren verwenden eine Methode namens Bayessche Inferenz. Stellen Sie sich einen Detektiv vor, der nicht nur rät, sondern seine Theorie ständig basierend auf neuen Hinweisen aktualisiert.

• Der Code beginnt mit einer Schätzung.
• Er prüft die Daten.
• Er fragt: „Angesichts dieser Daten, was ist die wahrscheinlichste Wahrheit?"
• Er wiederholt diese Schleife, bis sich die Antwort stabilisiert.

Dies entfernt das „menschliche Raten" und stellt sicher, dass das Ergebnis die statistisch wahrscheinlichste Erklärung der Daten ist und nicht nur das, was der Wissenschaftler zu sehen hoffte.

4. Tests in der realen Welt

Die Autoren haben das Tool nicht nur entwickelt; sie haben es an zwei echten „Tanzflächen" getestet:

• Strontiumtitanat (SrTiO3): Sie betrachteten eine dünne Schicht von Elektronen auf diesem Material. Sie fanden heraus, dass, wenn man die spezifische Art ignoriert, wie Licht auf die Elektronen trifft (sogenannte „Matrixelemente"), Ihre Messungen um den Faktor zwei falsch sein können. Es ist, als würde man einen Schatten messen, ohne den Sonnenstand zu berücksichtigen. xARPES korrigierte dies und lieferte ein viel klareres Bild der Vibrationen.
• Lithium-dotiertes Graphen: Sie analysierten Graphen (eine einzelne Schicht von Kohlenstoffatomen). Sie nahmen Daten von zwei verschiedenen Seiten desselben Bandes auf. In der Vergangenheit lieferten diese beiden Seiten leicht unterschiedliche, widersprüchliche Ergebnisse. Mit xARPES stellten sie fest, dass die Ergebnisse beispiellos ähnlich waren, was beweist, dass das Tool konsistente, zuverlässige Daten auch aus komplexen, gekrümmten Pfaden extrahieren kann.

Zusammenfassung

Diese Arbeit stellt xARPES vor, ein neues Software-Tool, das wie eine hochpräzise Linse für die Untersuchung wirkt, wie Elektronen mit Vibrationen in Materialien wechselwirken.

• Alter Weg: Versuchte, gekrümmte Daten in gerade Linien zu zwingen, was zu verschwommenen, verzerrten Ergebnissen führte.
• Neuer Weg: Verwendet gekrümmte Mathematik und einen „Detektiv"-Algorithmus (bayessche Inferenz), um automatisch den genauesten Pfad und das genaue „Notenblatt" der Vibrationen zu finden.
• Ergebnis: Wissenschaftler können ihren Messungen von Elektronenwechselwirkungen nun viel mehr vertrauen, insbesondere in Materialien, in denen die Elektronenpfade gekrümmt sind.

Die Autoren haben diesen Code als Open-Source-Software veröffentlicht, damit andere Wissenschaftler ihn nutzen können, um die „Tanzflächen" neuer Materialien zu entschlüsseln.

Technische Zusammenfassung

1. Problemstellung

Die winkelaufgelöste Photoelektronenspektroskopie (ARPES) ist ein Hauptwerkzeug zur Untersuchung von Elektron-Boson-Wechselwirkungen, insbesondere der Elektron-Phonon-Kopplung (EPC), durch Analyse der Elektronenspektralfunktion. Die Extraktion quantitativer Vielteilchenparameter (insbesondere der Elektron-Selbstenergie $\Sigma(E)$ und der Eliashberg-Funktion $\alpha^2F(\omega)$) aus experimentellen Daten ist jedoch mit mehreren Herausforderungen verbunden:

• Nichtlineare Dispersionen: Herkömmliche Methoden approximieren nicht-wechselwirkende Banddispersionen ($\varepsilon_n(k)$) oft als linear. Dies führt zu einer verzerrten Extraktion der Selbstenergie, wenn Bänder gekrümmt sind (parabolisch oder höherer Ordnung), da die Spektralfunktion im Impulsraum kein einfaches Lorentz-Profil ist.
• Manuelle Parameterzuweisung: Die Zerlegung der gesamten Selbstenergie in Beiträge von Phononen ($\Sigma_{ph}$), Elektron-Elektron-Wechselwirkungen ($\Sigma_{el}$) und Verunreinigungen ($\Sigma_{imp}$) stützt sich typischerweise auf manuelle visuelle Inspektion oder willkürliche Annahmen, was menschliche Verzerrungen einführt.
• Matrixelement-Effekte: Das Ignorieren von Photoelektronen-Matrixelementen (PMEs) kann die extrahierte Selbstenergie erheblich verzerren, manchmal um einen Faktor von zwei.
• Instabilität des inversen Problems: Die Extraktion von $\alpha^2F(\omega)$ aus $\Sigma(E)$ ist ein schlecht gestelltes inverses Problem. Standard-Ansätze der Maximum-Entropie-Methode (MEM) erfordern eine sorgfältige Abstimmung von Hyperparametern und Vorwissen und verfügen oft über keinen rigorosen statistischen Rahmen für die Parameteroptimierung.

2. Methodik

Die Autoren stellen xARPES vor, einen Python-Code (lizenziert unter GPL-v3), der einen rigorosen, automatisierten Workflow zur Extraktion von Selbstenergien und Eliashberg-Funktionen implementiert. Die Methodik besteht aus drei Hauptphasen:

A. Erweiterte MDC-Fit mit gekrümmten Dispersionen

• Anstatt lineare Bänder anzunehmen, passt xARPES Impulsverteilungskurven (MDCs) unter Verwendung von polynomiellen nicht-wechselwirkenden Dispersionen (z. B. parabolisch) an.
• Der Code bildet Detektorwinkel auf Kristallimpulse ab, wobei die experimentelle Geometrie und die Probenrotation berücksichtigt werden.
• Er integriert Korrekturen für Photoelektronen-Matrixelemente (PME), wodurch der Benutzer winkelabhängige Matrixelemente $|M_n(\eta)|^2$ angeben kann, um Spektralgewichtsvariationen zu korrigieren, die durch Orbitalcharakter und Lichtpolarisation verursacht werden.
• Die Anpassung extrahiert dimensionslose Peakpositionen ($\tilde{r}_n$) und -breiten ($\tilde{\gamma}_n$), die dann in Real- und Imaginärteile der Selbstenergie, $\tilde{\Sigma}'_n(E)$ und $-\tilde{\Sigma}''_n(E)$, umgewandelt werden.

B. Zerlegung der Selbstenergie

Die gesamte Selbstenergie wird gemäß der Matthiessen-Regel zerlegt:
$$\Sigma_n(E) = \Sigma_{ph,n}(E) + \Sigma_{el,n}(E) + \Sigma_{imp,n}(E)$$

• $\Sigma_{imp}$: Wird als statische, imaginäre Zerfallsrate ($-i\Gamma_{imp}$) modelliert.
• $\Sigma_{el}$: Wird unter Verwendung einer Kramers-Kronig-konsistenten phänomenologischen Funktion modelliert, die bei niedrigen Energien Fermi-Flüssigkeitsverhalten erfüllt und bei hohen Energien als $|E|^{-2}$ abfällt, um eine Ultraviolett-Divergenz zu vermeiden.
• $\Sigma_{ph}$: Wird vom dynamischen Fan-Migdal-Term dominiert, der über eine Kernel-Integralgleichung mit der Eliashberg-Funktion verknüpft ist.

C. Bayessche Inferenz und Maximum-Entropie-Methode (MEM)

• Ein-Schuss-Extraktion: Der Code verwendet MEM, um die Integralgleichung zu invertieren, die $\Sigma_{ph}(E)$ mit $\alpha^2F(\omega)$ verknüpft. Dies integriert Vorwissen (z. B. positive Semidefinitheit von $\alpha^2F$) über einen generalisierten Shannon-Jaynes-Entropieterm.
• Zweistufige Optimierung: Ein neuer Beitrag ist die Integration von MEM in eine Bayessche Inferenzschleife.
  • Die innere Schleife optimiert $\alpha^2F(\omega)$ für einen festen Satz von Modellparametern.
  • Die äußere Schleife optimiert die Modellparameter (nicht-wechselwirkende Masse $m_b$, Fermi-Wellenvektor $k_F$, Verunreinigungsstärke $\Gamma_{imp}$, Elektron-Elektron-Kopplung $\lambda_{el}$ und Modellfunktionshöhe $h$), um die Posterior-Wahrscheinlichkeit zu maximieren.
  • Dies eliminiert die manuelle Parameteranpassung und liefert eine statistisch robuste Bestimmung der wahrscheinlichsten Parameter.

3. Hauptbeiträge

1. xARPES-Software: Veröffentlichung eines umfassenden, quelloffenen Python-Pakets, das die Extraktion von Vielteilchenparametern aus ARPES-Daten automatisiert und sowohl lineare als auch gekrümmte (parabolische) Dispersionen unterstützt.
2. Handhabung gekrümmter Dispersionen: Eine Formulierung, die nichtlineare Banddispersionen korrekt behandelt und die Verzerrung entfernt, die in der traditionellen Lorentz-Anpassung gekrümmter Bänder inhärent ist.
3. Automatisierte Bayessche Optimierung: Ein neues Framework, das gleichzeitig die Parameter der nicht-wechselwirkenden Dispersion und die Stärke der Streukanäle (Elektron-Elektron, Verunreinigungen) zusammen mit der Eliashberg-Funktion optimiert und menschliche Verzerrungen beseitigt.
4. Matrixelement-Korrektur: Explizite Implementierung von PME-Korrekturen, die ihre kritische Bedeutung für die genaue Extraktion der Selbstenergie demonstrieren.
5. Quantitativer Vergleichsmetrik: Einführung eines euklidischen Abstandsmasses zum quantitativen Vergleich von Eliashberg-Funktionen, die aus verschiedenen Zweigen oder Datensätzen extrahiert wurden.

4. Ergebnisse und Validierung

A. Verifizierung mit synthetischen Daten

• Unter Verwendung künstlicher Daten mit bekannten Ground-Truth-Parametern wurde gezeigt, dass xARPES die wahre Selbstenergie und Eliashberg-Funktion mit hoher Genauigkeit wiederherstellt.
• Die Methode zeigte, dass die Anpassung gekrümmter Dispersionen unverzerrte Ergebnisse liefert (Überlappung des 95%-Konfidenzintervalls), selbst bei endlicher Energieauflösung, während lineare/Lorentz-Anpassungen bei höheren Bindungsenergien signifikante Verzerrungen einführen.
• Die Bayessche Schleife konnte Modellparameter (Masse, $k_F$, Kopplungsstärken) innerhalb von ~5 % der wahren Werte für realistische Rauschniveaus erfolgreich wiederherstellen.

B. Fallstudie 1: TiO$_2$-terminiertes SrTiO$_3$

• System: Eine zweidimensionale Elektronenflüssigkeit (2DEL) auf Nb-dotiertem SrTiO$_3$.
• Ergebnisse:
  • Extrahierte Eliashberg-Funktionen aus dem inneren linken und inneren rechten Zweig des $d_{xy}$-Bandes zeigten eine hohe Ähnlichkeit ($M \approx 0.01$), was auf eine zugrunde liegende Symmetrie hindeutet.
  • PME-Auswirkung: Das Vernachlässigen von Matrixelement-Korrekturen führte zu Selbstenergien, die etwa doppelt so groß waren wie die korrigierten Werte, was die Notwendigkeit von PMEs in der quantitativen Analyse unterstreicht.
  • Identifizierte Phononmoden (TO4, LO4), die mit früheren Studien übereinstimmen, jedoch mit verbesserter Auflösung und reduzierten Artefakten.

C. Fallstudie 2: Li-dotiertes Graphen

• System: Quasifreistehendes Li-dotiertes Graphen auf Co(0001).
• Ergebnisse:
  • Angewendet auf lineare Dirac-Kegel-Dispersionen.
  • Extrahierte Eliashberg-Funktionen aus zwei symmetrieäquivalenten Kinks (L- und R-Zweige) zeigten eine beispiellose Übereinstimmung ($M \approx 0.0067$), die deutlich besser ist als frühere experimentelle Vergleiche.
  • Die Ergebnisse bestätigten, dass experimentelle Asymmetrien (z. B. Verschiebungen der Fermikante) die Hauptquelle für geringfügige Diskrepanzen waren, was die Robustheit der Extraktionsmethode validiert.
  • Identifizierte dominante Phononmoden um 166 meV (A'$_1$- und E$_{2g}$-Moden).

5. Bedeutung

• Überbrückung von Experiment und Theorie: xARPES bietet eine standardisierte, unverzerrte Methode zur Extraktion von Eliashberg-Funktionen und ermöglicht einen direkten und fairen Vergleich mit Berechnungen aus ersten Prinzipien (z. B. DFPT, GW, DMFT).
• Reproduzierbarkeit: Durch die Automatisierung der Parametersélection mittels Bayesscher Inferenz entfernt der Code den „Black-Box"-Charakter manueller Anpassungen und stellt sicher, dass Ergebnisse reproduzierbar und objektiv sind.
• Community-Standard: Die Veröffentlichung von xARPES setzt einen neuen Benchmark für die Analyse von ARPES-Daten, insbesondere für Systeme mit komplexen Bandstrukturen oder starken Vielteilchenwechselwirkungen.
• Zukünftige Richtungen: Die modulare Code-Struktur ermöglicht zukünftige Erweiterungen, wie Terme höherer Ordnung für Dispersionen, die Einbeziehung von Plasmon-Kopplung und den direkten Vergleich mit theoretischen nicht-wechselwirkenden Dispersionen.

Zusammenfassend stellt diese Arbeit einen bedeutenden Fortschritt in der quantitativen Analyse von ARPES-Daten dar und vollzieht den Übergang von qualitativer visueller Inspektion zur rigorosen, automatisierten und statistisch fundierten Extraktion von Elektron-Boson-Kopplungsparametern.