Machine learning protocol to identify pairing symmetries via quasiparticle interference imaging in Ising superconductors

Diese Studie stellt einen maschinellen Lernansatz vor, der die Paarungssymmetrie in Ising-Supraleitern wie monolagigem NbSe₂ durch die Analyse von Quasiteilchen-Interferenzdaten präzise identifiziert.

Das Wesentliche

Das große Rätsel: Wie schaukeln die Elektronen?

Stell dir vor, du hast einen riesigen, glatten Tanzboden (das Material, hier ein winziges Stückchen Niob-Selenid). Auf diesem Boden tanzen unzählige Elektronen. In einem normalen Leiter tanzen sie wild durcheinander. In einem Supraleiter aber halten sie sich an den Händen und tanzen als Paare – das sind die sogenannten "Cooper-Paare".

Das große Problem für die Physiker: Wie genau halten sie sich an den Händen?
Tanzten sie wie ein klassisches Liebespaar (symmetrisch, "Singulett") oder wie zwei Wrestler, die sich gegenseitig umklammern (komplexer, "Triplett")? Oder eine Mischung aus beidem? Diese "Tanzform" zu kennen, ist entscheidend, um neue, supermächtige Quantencomputer zu bauen. Aber das Material ist so klein und die Elektronen so schnell, dass man die Tanzform nicht direkt sehen kann.

Der Detektiv-Trick: Die Wellen im Wasser

Hier kommt der cleverste Teil der Studie ins Spiel. Die Forscher nutzen einen Trick, den man sich wie das Werfen eines Steins in einen Teich vorstellen kann:

1. Der Stein: Sie werfen einen kleinen "Störfaktor" (eine Verunreinigung) in das Material.
2. Die Wellen: Die tanzenden Elektronenpaare prallen an diesem Stein ab. Dadurch entstehen stehende Wellenmuster auf dem Boden, ähnlich wie Wellen, die von einem Felsen im Wasser zurückgeworfen werden.
3. Das Foto: Mit einem extrem empfindlichen Mikroskop (einem "Super-Mikroskop") fotografieren sie diese Wellenmuster. Diese Bilder nennt man Quasiteilchen-Interferenz (QPI).

Das Problem: Diese Wellenmuster sehen auf den ersten Blick alle sehr ähnlich aus. Ein menschlicher Experte würde sich schwer tun, aus dem Bild zu sagen: "Aha, das ist ein Triplett-Tanz!" oder "Nein, das ist eine Mischung!". Es ist wie ein riesiges Puzzle, bei dem man die Kanten nicht sieht.

Der KI-Überlegene: Der digitale Detektiv

Hier kommt die Künstliche Intelligenz (KI) ins Spiel. Die Forscher haben eine spezielle Art von KI (ein neuronales Netz) trainiert, die wie ein super-schneller Detektiv arbeitet.

• Das Training: Die Forscher haben der KI nicht echte Fotos gegeben, sondern Tausende von simulierten Fotos. Sie haben der KI gesagt: "Hier ist ein Bild, das von einem 'Singulett-Tanz' stammt. Hier ist eines von einem 'Triplett-Tanz'. Und hier ist eine Mischung."
• Das Lernen: Die KI hat gelernt, winzige, für das menschliche Auge unsichtbare Muster in den Wellen zu erkennen. Sie hat gelernt: "Wenn die Welle hier so aussieht und dort so, dann ist es definitiv eine Mischung aus beiden Tanzarten."
• Der Test: Als die KI dann mit echten (oder neuen simulierten) Daten konfrontiert wurde, konnte sie die Tanzform und sogar die genauen Parameter (wie stark die Elektronen aneinanderkleben) mit fast 100-prozentiger Genauigkeit erraten.

Warum ist das so wichtig?

Stell dir vor, du bist ein Architekt, der ein neues Haus bauen will. Du musst wissen, ob die Steine, die du verwendest, rund oder eckig sind, bevor du den Mischplan erstellst.

• Bisher: Man musste raten oder sehr teure, langwierige Experimente machen, um die Form der Elektronen-Paare zu erraten.
• Jetzt: Mit dieser KI-Methode kann man einfach ein Bild machen, es in den Computer werfen und sofort wissen: "Das Material tanzt so und so."

Das Fazit in einem Satz

Die Forscher haben einen Weg gefunden, wie eine künstliche Intelligenz aus den "Wellenmustern" auf einem winzigen Materialstück die geheime "Tanzform" der Elektronen entschlüsselt, was uns einen riesigen Schritt näher an die Entwicklung von super-schnellen Quantencomputern bringt.

Kurz gesagt: Sie haben eine KI trainiert, die aus den Schatten an der Wand (den Wellenmustern) genau rekonstruieren kann, wie die Tänzer (die Elektronen) im Dunkeln tanzen.

Technische Zusammenfassung

Titel: Maschinelles Lernprotokoll zur Identifizierung von Paarungssymmetrien via Quasiteilchen-Interferenz-Bildgebung in Ising-Supraleitern

Autoren: Adam Hložný, Jozef Haniš, Martin Gmitra, Marko Milivojević
Datum: 24. Februar 2026

---

1. Problemstellung

Die experimentelle Bestimmung der Paarungssymmetrie in unkonventionellen Supraleitern ist entscheidend für das Verständnis der zugrundeliegenden Mechanismen und für die Entwicklung neuer Quantenmaterialien. Herkömmliche Methoden wie Josephson-Kontakt-Messungen oder impulsaufgelöste Spektroskopie stoßen jedoch oft an Grenzen, da sie Schwierigkeiten haben, intrinsische Supraleitungssignale von materialbedingten Streueffekten und Quasiteilchen-Interferenzen (QPI) zu trennen. Dies gilt insbesondere für komplexe Systeme wie Kuprate oder eisenbasierte Supraleiter, wo die genaue Natur der Paarung (z. B. nodale d-Welle vs. anisotrope s-Welle) weiterhin kontrovers diskutiert wird.

Das Hauptproblem besteht darin, aus den komplexen Mustern der Quasiteilchen-Interferenz (QPI), die z. B. mittels Rastertunnelmikroskopie (STM) gemessen werden, die zugrundeliegende Symmetrie der Supraleitung und die mikroskopischen Parameter des Hamilton-Operators präzise abzuleiten. Dies stellt ein inverses Problem dar, das aufgrund der Datenmenge und der Komplexität der Muster manuell kaum lösbar ist.

2. Methodik

Die Autoren schlagen einen integrierten Ansatz vor, der First-Principles-Rechnungen, Tight-Binding-Modellierung und maschinelles Lernen (ML) kombiniert, um das inverse Problem zu lösen. Als Testsystem dient ein freistehendes Monolagen-NbSe₂ (ein Ising-Supraleiter mit $D_{3h}$-Symmetrie).

Der Workflow gliedert sich in folgende Schritte:

1. Theoretisches Modell (BdG-Formalismus):

   • Der normale Zustand von NbSe₂ wird durch ein Tight-Binding-Modell mit 7 Nachbarn und intrinsischer Spin-Bahn-Kopplung beschrieben.
   • Die Supraleitung wird im Rahmen der Bogoliubov-de-Gennes (BdG)-Formalismus modelliert.
   • Basierend auf der Gruppentheorie der $D_{3h}$-Symmetrie werden alle erlaubten Supraleitungs-Ordnungsparameter definiert. Diese umfassen:
     • Singulett-Kanäle ($s$).
     • Triplet-Kanäle ($t, z$ und $t, xy$).
     • Mischungen aus Singulett und Triplet (für bestimmte irreduzible Darstellungen, IRs).
   • Die Ordnungsparameter werden den irreduziblen Darstellungen (IRs) $A_g^1, A_u^1, A_g^2, A_u^2, E_g, E_u$ zugeordnet.

2. Generierung des QPI-Datensatzes:

   • QPI-Spektren werden numerisch simuliert, indem ein skalares Störpotential (ein einzelner Impurität) in das BdG-System eingeführt wird.
   • Die lokale Zustandsdichte (LDOS) wird über die T-Matrix-Methode berechnet.
   • Es wird ein großer Datensatz von ca. 5.000 Trainings-, 250 Validierungs- und 250 Test-Samples generiert, der verschiedene Werte für das chemische Potential ($\epsilon_0$), die Gap-Stärke ($\Delta$) und Mischungswinkel ($\theta$) abdeckt.

3. Maschinelles Lernen (Neuronales Netz):

   • Es wird ein Multi-Task-Learning-Ansatz mit einem Convolutional Neural Network (CNN) verwendet, das auf einer VGG16-Architektur basiert.
   • Das Netz besitzt zwei parallele "Köpfe" (Heads):
     • Klassifizierungs-Head: Vorhersage der irreduziblen Darstellung (IR) der Paarungssymmetrie.
     • Regressions-Head: Vorhersage kontinuierlicher Parameter: chemisches Potential $\mu$, Gap-Stärke $\Delta$ und Mischungswinkel $\theta$.
   • Um die Periodizität des Winkels $\theta$ zu handhaben, wird dieser nicht direkt, sondern als Embedding $(\sin 2\theta, \cos 2\theta)$ vorhergesagt.
   • Zur Regularisierung werden Rauschen (Gaußsches und rosa Rausch) auf die Eingabebilder angewendet.

3. Wichtige Beiträge

• Neue Methodik: Einführung eines ML-gesteuerten Protokolls, das QPI-Daten direkt in physikalische Parameter und Symmetrieklassen übersetzt.
• Umfassende Klassifizierung: Die Fähigkeit, zwischen verschiedenen IRs der $D_{3h}$-Gruppe zu unterscheiden, einschließlich komplexer Singulett-Triplet-Mischungen.
• Inverse Problemlösung: Demonstration, dass QPI-Muster reichhaltige, lernbare Informationen über die Gap-Struktur enthalten, selbst unter vereinfachten Bedingungen (skalare Impurität, einzelne Anregungsenergie $\omega=0$).
• Robustheit: Das Modell bleibt auch unter experimentell realistischen Rauschbedingungen stabil.

4. Ergebnisse

Die Leistung des trainierten Modells wurde anhand von Trefferquoten (Hit-Rate) für die Klassifizierung und mittleren absoluten Fehlern (MAE) für die Regression bewertet (siehe Tabelle I im Paper):

• Klassifizierungsgenauigkeit:

  • Für die meisten IRs wird eine sehr hohe Trefferquote erreicht: $A_g^2$ (98 %), $E_g$ (98 %), $A_u^{12}$ (94 %, hier wurden $A_u^1$ und $A_u^2$ zusammengefasst), und $E_u$ (96 %).
  • Die $A_g^1$-Klasse zeigt eine etwas niedrigere Trefferquote (86 %), was auf schwächere oder mehrdeutige QPI-Signaturen für skalare Impuritäten in diesem Kanal hindeutet.
  • Degenerierung: Es wurde festgestellt, dass $A_u^1$ und $A_u^2$ bei skalaren Impuritäten und $\omega=0$ praktisch ununterscheidbar sind, weshalb sie als eine Klasse behandelt wurden.

• Parameter-Regression:

  • Die Gap-Stärke $\Delta$ kann über alle IRs hinweg mit sehr hoher Präzision bestimmt werden (Fehler $\delta\Delta \approx 0.01$ meV).
  • Das chemische Potential $\epsilon_0$ wird ebenfalls präzise rekonstruiert (Fehler $\delta\epsilon_0 \approx 0.01 - 0.07$ eV).
  • Der Mischungswinkel $\theta$ (Singulett-Triplet-Mischung) kann zuverlässig bestimmt werden, wobei die Genauigkeit je nach IR variiert (z. B. sehr präzise für $E_g$, weniger für $A_g^1$).

• Limitationen:

  • Die Zeitumkehrsymmetrie-brechenden Parameter ($\phi$) können mit skalaren Impuritäten nicht bestimmt werden; hierfür wären magnetische Impuritäten nötig.
  • Bestimmte Symmetrien (wie $A_u^1/A_u^2$) sind in diesem Setup degeneriert.

5. Bedeutung und Ausblick

Diese Studie demonstriert, dass maschinelles Lernen in Kombination mit QPI-Bildgebung einen vielversprechenden Weg zur präzisen Charakterisierung unkonventioneller Supraleiter bietet.

• Praktische Relevanz: Die Methode ermöglicht es, experimentelle QPI-Daten direkt zu interpretieren, ohne auf komplexe manuelle Analysen angewiesen zu sein.
• Verallgemeinerbarkeit: Der Ansatz ist nicht auf NbSe₂ beschränkt, sondern kann auf andere Schichtmaterialien und unkonventionelle Supraleiter angewendet werden, die im BdG-Formalismus beschreibbar sind.
• Zukünftige Entwicklungen: Die Autoren schlagen vor, das Framework durch magnetische Impuritäten, energieaufgelöste QPI und realistischere Tunnelmatrixelemente zu erweitern, um die aktuellen Degenerierungen aufzuheben und die Unterscheidbarkeit von Mehrkomponenten-Paarungszuständen weiter zu verbessern.

Zusammenfassend etabliert dieses Papier einen konkreten Pfad zur symmetrie- und parameteraufgelösten Analyse von Quantenmaterialien und unterstreicht die transformative Rolle von KI in der Festkörperphysik.