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

Este artículo presenta el código Python xARPES, que utiliza un método de máxima entropía extendido con inferencia bayesiana para extraer consistentemente las autoenergías de los electrones y las funciones de Eliashberg a partir de dispersiones curvas en datos de espectroscopía de fotoemisión resuelta en ángulo, demostrando una precisión superior tanto en conjuntos de datos modelo como experimentales en comparación con los enfoques existentes basados en linealización.

Lo esencial

Imagina que estás intentando entender cómo funciona una pista de baile abarrotada. Tienes un grupo de bailarines (electrones) moviéndose al ritmo de la música (energía). A veces, los bailarines chocan entre sí, o se distraen por el bajo que hace vibrar el suelo (fonones). Estas interacciones cambian la velocidad a la que se mueven y cuánto tiempo permanecen en la pista.

En el mundo de la física, los científicos utilizan una técnica llamada Espectroscopía de Fotoemisión con Resolución Angular (ARPES) para tomar "instantáneas" de estos bailarines. Disparan luz a un material, arrancan electrones y miden su velocidad y dirección. Esto crea un mapa de la pista de baile.

Sin embargo, leer este mapa es complicado. Los datos brutos son una imagen borrosa y ruidosa donde las trayectorias de los bailarines están curvadas y enredadas. Para entender las reglas del baile (la física), los científicos necesitan separar la trayectoria "natural" de un bailarín de las "perturbaciones" causadas por la música y otros bailarines. Esta separación se llama extraer la autoenergía y la función de Eliashberg.

Aquí está lo que hace este artículo, explicado de forma sencilla:

1. El Problema: Intentar Dibujar una Línea Recta en un Camino Curvo

Anteriormente, los científicos intentaban analizar estos mapas de baile asumiendo que los bailarines se movían en líneas perfectamente rectas. Dibujaban una línea recta a través de los datos y decían: "La diferencia entre la línea recta y la trayectoria real es la perturbación".

Los autores de este artículo dicen: "Eso no funciona bien cuando el camino es curvo".
En muchos materiales, la trayectoria natural de un electrón no es una línea recta; es una curva (como una parábola). Si intentas ajustar una regla recta a un camino curvo, obtienes una mala medición de las perturbaciones. Es como intentar medir la resistencia del viento en una montaña rusa fingiendo que la pista es plana.

2. La Solución: El Código "xARPES"

El equipo creó un nuevo programa informático llamado xARPES. Imagina que este programa es un GPS superinteligente para la pista de baile. En lugar de forzar los datos a una línea recta, xARPES permite que el "camino" sea curvo (parabólico) o incluso tenga formas más complejas.

Hace tres cosas principales:

• Ajusta la Curva: Encuentra la mejor trayectoria curva posible que representa a los electrones cuando no interactúan con nada.
• Separa el Ruido: Despega matemáticamente el "ruido" (perturbaciones) para revelar exactamente cuánto están siendo frenados o acelerados los electrones por la música (fonones) o al chocar con otros electrones.
• Revela la Partitura: Reconstruye la función de Eliashberg. Si la autoenergía es la "perturbación", la función de Eliashberg es la partitura de las vibraciones. Te dice exactamente qué notas (frecuencias) está vibrando el suelo y con qué intensidad se están reproduciendo.

3. El Trabajo de Detective "Bayesiano"

Una de las mayores innovaciones del artículo es cómo maneja la incertidumbre. Por lo general, los científicos tienen que adivinar los parámetros iniciales para su análisis (como adivinar la velocidad de los bailarines antes de que comiencen). Esto es subjetivo y puede llevar a sesgos.

Los autores utilizan un método llamado Inferencia Bayesiana. Imagina a un detective que no solo adivina; actualiza constantemente su teoría basándose en nuevas pistas.

• El código comienza con una suposición.
• Verifica los datos.
• Pregunta: "Dado estos datos, ¿cuál es la verdad más probable?"
• Repite este bucle hasta que la respuesta se estabiliza.

Esto elimina el "juego de adivinanzas humano" y asegura que el resultado sea la explicación estadísticamente más probable de los datos, en lugar de simplemente lo que el científico esperaba ver.

4. Pruebas del Mundo Real

Los autores no solo construyeron la herramienta; la probaron en dos "pistas de baile" reales:

• Titanato de Estroncio (SrTiO3): Observaron una capa delgada de electrones en este material. Descubrieron que si ignoras la forma específica en que la luz golpea a los electrones (llamado "elementos de matriz"), tus mediciones pueden estar equivocadas por un factor de dos. Es como medir una sombra sin tener en cuenta el ángulo del sol. xARPES corrigió esto, ofreciendo una imagen mucho más clara de las vibraciones.
• Grafeno Dopado con Litio: Analizaron grafeno (una sola capa de átomos de carbono). Tomaron datos de dos lados diferentes de la misma banda. En el pasado, estos dos lados daban resultados ligeramente diferentes y contradictorios. Usando xARPES, descubrieron que los resultados eran sin precedentes en su similitud, demostrando que la herramienta puede extraer datos consistentes y fiables incluso de trayectorias complejas y curvas.

Resumen

Este artículo introduce xARPES, una nueva herramienta de software que actúa como una lente de alta precisión para estudiar cómo interactúan los electrones con las vibraciones en los materiales.

• Antigua forma: Intentaba forzar datos curvos en líneas rectas, lo que llevaba a resultados borrosos y sesgados.
• Nueva forma: Utiliza matemáticas curvas y un algoritmo de "detective" (inferencia bayesiana) para encontrar automáticamente la trayectoria más precisa y la "partitura" exacta de las vibraciones.
• Resultado: Los científicos ahora pueden confiar mucho más en sus mediciones de interacciones de electrones, especialmente en materiales donde las trayectorias de los electrones son curvas.

Los autores han liberado este código como software de código abierto para que otros científicos puedan usarlo para descifrar las "pistas de baile" de nuevos materiales.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "Extracción de la autoenergía y la función de Eliashberg a partir de espectroscopía de fotoemisión con resolución angular utilizando el código xARPES".

1. Planteamiento del Problema

La espectroscopía de fotoemisión con resolución angular (ARPES) es una herramienta principal para estudiar las interacciones electrón-bosón, particularmente el acoplamiento electrón-fonón (EPC), mediante el análisis de la función espectral electrónica. Sin embargo, la extracción de parámetros de muchos cuerpos cuantitativos (específicamente la autoenergía electrónica $\Sigma(E)$ y la función de Eliashberg $\alpha^2F(\omega)$) a partir de datos experimentales enfrenta varios desafíos:

• Dispersiones No Lineales: Los métodos tradicionales a menudo aproximan las dispersiones de bandas no interactuantes ($\varepsilon_n(k)$) como lineales. Esto conduce a una extracción sesgada de la autoenergía cuando las bandas son curvas (parabólicas o de orden superior), ya que la función espectral no es un simple Lorentziano en el espacio de momentos.
• Asignación Manual de Parámetros: La descomposición de la autoenergía total en contribuciones de fonones ($\Sigma_{ph}$), electrón-electrón ($\Sigma_{el}$) e impurezas ($\Sigma_{imp}$) depende típicamente de la inspección visual manual o de suposiciones arbitrarias, introduciendo sesgo humano.
• Efectos de Elementos de Matriz: Ignorar los elementos de matriz de fotoemisión (PME) puede distorsionar significativamente la autoenergía extraída, a veces en un factor de dos.
• Inestabilidad del Problema Inverso: Extraer $\alpha^2F(\omega)$ de $\Sigma(E)$ es un problema inverso mal planteado. Los enfoques estándar del Método de Máxima Entropía (MEM) requieren un ajuste cuidadoso de hiperparámetros y conocimiento previo, careciendo a menudo de un marco estadístico riguroso para la optimización de parámetros.

2. Metodología

Los autores introducen xARPES, un código en Python (licenciado bajo GPL-v3) que implementa un flujo de trabajo riguroso y automatizado para extraer autoenergías y funciones de Eliashberg. La metodología consta de tres etapas principales:

A. Ajuste Avanzado de MDC con Dispersiones Curvas

• En lugar de asumir bandas lineales, xARPES ajusta las Curvas de Distribución de Momento (MDC) utilizando dispersiones no interactuantes polinómicas (por ejemplo, parabólicas).
• El código mapea los ángulos del detector a momentos cristalinos, teniendo en cuenta la geometría experimental y la rotación de la muestra.
• Incorpora correcciones de Elementos de Matriz de Fotoemisión (PME), permitiendo al usuario especificar elementos de matriz dependientes del ángulo $|M_n(\eta)|^2$ para corregir las variaciones en el peso espectral causadas por el carácter orbital y la polarización de la luz.
• El ajuste extrae posiciones de picos adimensionales ($\tilde{r}_n$) y anchuras ($\tilde{\gamma}_n$), que luego se convierten en las partes real e imaginaria de la autoenergía, $\tilde{\Sigma}'_n(E)$ y $-\tilde{\Sigma}''_n(E)$.

B. Descomposición de la Autoenergía

La autoenergía total se descompone según la regla de Matthiessen:
$$\Sigma_n(E) = \Sigma_{ph,n}(E) + \Sigma_{el,n}(E) + \Sigma_{imp,n}(E)$$

• $\Sigma_{imp}$: Modelada como una tasa de decaimiento estática e imaginaria ($-i\Gamma_{imp}$).
• $\Sigma_{el}$: Modelada utilizando una función fenomenológica consistente con Kramers-Kronig que satisface el comportamiento de líquido de Fermi a bajas energías y decae como $|E|^{-2}$ a altas energías para evitar la divergencia ultravioleta.
• $\Sigma_{ph}$: Dominada por el término dinámico Fan-Migdal, que se relaciona con la función de Eliashberg mediante una ecuación integral de núcleo.

C. Inferencia Bayesiana y Método de Máxima Entropía (MEM)

• Extracción de Un Solo Disparo: El código utiliza MEM para invertir la ecuación integral que relaciona $\Sigma_{ph}(E)$ con $\alpha^2F(\omega)$. Esto incorpora conocimiento previo (por ejemplo, semidefinición positiva de $\alpha^2F$) a través de un término de entropía generalizado de Shannon-Jaynes.
• Optimización de Dos Niveles: Una contribución novedosa es la integración de MEM dentro de un bucle de inferencia bayesiana.
  • El bucle interno optimiza $\alpha^2F(\omega)$ para un conjunto fijo de parámetros del modelo.
  • El bucle externo optimiza los parámetros del modelo (masa no interactuante $m_b$, vector de onda de Fermi $k_F$, fuerza de impurezas $\Gamma_{imp}$, acoplamiento electrón-electrón $\lambda_{el}$ y altura de la función del modelo $h$) para maximizar la probabilidad posterior.
  • Esto elimina el ajuste manual de parámetros, proporcionando una determinación estadísticamente robusta de los parámetros más probables.

3. Contribuciones Clave

1. Software xARPES: Lanzamiento de un paquete Python integral y de código abierto que automatiza la extracción de parámetros de muchos cuerpos a partir de datos ARPES, soportando tanto dispersiones lineales como curvas (parabólicas).
2. Manejo de Dispersión Curva: Un formalismo que maneja correctamente las dispersiones de bandas no lineales, eliminando el sesgo inherente al ajuste Lorentziano tradicional de bandas curvas.
3. Optimización Bayesiana Automatizada: Un nuevo marco que optimiza simultáneamente los parámetros de dispersión no interactuante y la magnitud de los canales de dispersión (electrón-electrón, impurezas) junto con la función de Eliashberg, eliminando el sesgo humano.
4. Corrección de Elementos de Matriz: Implementación explícita de correcciones PME, demostrando su importancia crítica para una extracción precisa de la autoenergía.
5. Métrica de Comparación Cuantitativa: Introducción de una medida de distancia euclidiana para comparar cuantitativamente las funciones de Eliashberg extraídas de diferentes ramas o conjuntos de datos.

4. Resultados y Validación

A. Verificación con Datos Sintéticos

• Utilizando datos artificiales con parámetros de verdad conocidos, se demostró que xARPES recupera la autoenergía y la función de Eliashberg reales con alta precisión.
• El método demostró que el ajuste de dispersión curva produce resultados sin sesgo (solapamiento del intervalo de confianza del 95%) incluso con resolución energética finita, mientras que el ajuste lineal/Lorentziano introduce un sesgo significativo a mayores energías de enlace.
• El bucle bayesiano recuperó con éxito los parámetros del modelo (masa, $k_F$, fuerzas de acoplamiento) dentro de ~5% de los valores reales para niveles de ruido realistas.

B. Estudio de Caso 1: SrTiO$_3$ terminado con TiO$_2$

• Sistema: Un líquido electrónico 2D (2DEL) en SrTiO$_3$ dopado con Nb.
• Hallazgos:
  • Las funciones de Eliashberg extraídas de las ramas izquierda interna y derecha interna de la banda $d_{xy}$ mostraron alta similitud ($M \approx 0.01$), sugiriendo simetría subyacente.
  • Impacto de PME: Ignorar las correcciones de elementos de matriz resultó en autoenergías aproximadamente el doble de grandes que los valores corregidos, destacando la necesidad de PME en el análisis cuantitativo.
  • Se identificaron modos fonónicos (TO4, LO4) consistentes con estudios anteriores pero con mejor resolución y reducidos artefactos.

C. Estudio de Caso 2: Grafeno dopado con Li

• Sistema: Grafeno dopado con Li cuasi-libre sobre Co(0001).
• Hallazgos:
  • Aplicado a dispersiones de cono de Dirac lineales.
  • Las funciones de Eliashberg extraídas de dos codos simétricamente equivalentes (ramas L y R) mostraron un acuerdo sin precedentes ($M \approx 0.0067$), significativamente mejor que las comparaciones experimentales anteriores.
  • Los resultados confirmaron que las asimetrías experimentales (por ejemplo, desplazamientos del borde de Fermi) fueron la fuente principal de las pequeñas discrepancias, validando la robustez del método de extracción.
  • Se identificaron modos fonónicos dominantes alrededor de 166 meV (modos A'$_1$ y E$_{2g}$).

5. Significado

• Puente entre Experimento y Teoría: xARPES proporciona un método estandarizado y sin sesgos para extraer funciones de Eliashberg, permitiendo una comparación directa y justa con cálculos de primeros principios (por ejemplo, DFPT, GW, DMFT).
• Reproducibilidad: Al automatizar la selección de parámetros mediante inferencia bayesiana, el código elimina la naturaleza de "caja negra" del ajuste manual, asegurando que los resultados sean reproducibles y objetivos.
• Estándar Comunitario: El lanzamiento de xARPES establece un nuevo punto de referencia para el análisis de datos ARPES, particularmente para sistemas con estructuras de bandas complejas o fuertes interacciones de muchos cuerpos.
• Direcciones Futuras: La estructura modular del código permite futuras extensiones, como términos de dispersión de orden superior, inclusión de acoplamiento de plasmones y comparación directa con dispersiones no interactuantes teóricas.

En resumen, este trabajo presenta un avance importante en el análisis cuantitativo de datos ARPES, pasando de la inspección visual cualitativa a una extracción rigurosa, automatizada y estadísticamente sólida de parámetros de acoplamiento electrón-bosón.