Predicting plasmonic pole representations of complex dielectric spectra using convolutional neural networks

Resumen Técnico: Predicción de Representaciones de Polos Plasmónicos de Espectros Dieléctricos Complejos mediante Redes Neuronales Convolucionales

Planteamiento del Problema
La extracción de propiedades espectrales —específicamente posiciones de energía, ensanchamientos y pesos espectrales— de los espectros dieléctricos es esencial para la interpretación de las excitaciones electrónicas colectivas en la física de muchos cuerpos. La función dieléctrica inversa, $\varepsilon^{-1}(\omega)$, describe el apantallamiento dinámico de sistemas de electrones interactuantes y es central para métodos como la aproximación GW y la ecuación de Bethe-Salpeter, así como para sondas experimentales como la espectroscopía de pérdida de energía de electrones (EELS).

La estructura analítica de $\varepsilon^{-1}(\omega)$ en el plano de frecuencia compleja puede representarse de forma compacta mediante un conjunto de polos complejos (polos plasmónicos), donde la parte real define la energía de excitación, la parte imaginaria el ensanchamiento y el residuo el peso espectral. Si bien los aproximantes de Padé multipolares (MPA) proporcionan un marco poderoso para construir estas representaciones, los enfoques convencionales dependen de procedimientos de ajuste no lineales. Estos métodos tradicionales son computacionalmente exigentes, altamente sensibles a la inicialización y difíciles de automatizar para el análisis de alto rendimiento en diversos materiales.

Metodología
El autor desarrolla un marco de red neuronal convolucional (CNN) para realizar la inversión directa de los espectros dieléctricos en sus estructuras subyacentes de polos MPA. La innovación central reside en la estrategia de entrenamiento: en lugar de entrenar sobre una base de datos restringida de materiales reales, la red se entrena enteramente sobre un conjunto sintético generado a partir de la expresión analítica MPA con parámetros aleatorios.

• Construcción del Conjunto Sintético: Los datos de entrenamiento consisten en 20,000 espectros por número de polos ($n_p = 1$ a $5$), generados mediante el muestreo aleatorio de posiciones de polos ($\text{Re } \Omega_p$), ensanchamientos ($\text{Im } \Omega_p$) y residuos ($r_p$) dentro de rangos motivados físicamente. Para asegurar la robustez, el conjunto incluye espectros "limpios" y espectros "con ruido" que contienen contribuciones MPA adicionales débiles (simulando ruido experimental o características no resueltas).
• Formulación del Problema Inverso: La red está entrenada para mapear la respuesta dependiente de la frecuencia $Y(\omega)$ (o su parte imaginaria $\text{Im } Y(\omega)$) directamente al conjunto de parámetros de los polos $\{ \Omega_p, r_p \}$. Se prueban dos configuraciones de entrada: respuesta compleja completa e inversión de la parte imaginaria únicamente.
• Arquitectura de la Red: Se emplea una CNN unidimensional con una cabeza de regresión totalmente conectada. La arquitectura utiliza cuatro capas convolucionales con tamaños de núcleo decrecientes ($k=101, 21, 7, 3$) para extraer características espectrales, seguidas de max-pooling y promedio adaptativo (adaptive average-pooling). La capa de salida está parametrizada para imponer restricciones físicas (por ejemplo, residuos positivos, ubicaciones de polos específicas).
• Objetivo de Entrenamiento: La función de pérdida combina el error en los parámetros predichos ($L_{par}$) con el error en la reconstrucción de la respuesta de entrada ($L_{res}$). Este objetivo dual asegura que la red no solo prediga parámetros cercanos a la verdad de campo, sino que también genere una respuesta que reproduzca con precisión el espectro de entrada.

Contribuciones Clave

1. Entrenamiento Únicamente Sintético: El artículo demuestra que una CNN puede aprender el mapeo general entre las respuestas espectrales y sus estructuras multipolares subyacentes sin requerir datos de entrenamiento específicos de materiales. Esto evita los sesgos introducidos por las correlaciones específicas encontradas en los conjuntos de datos de materiales reales.
2. Robustez ante la Complejidad y el Ruido: El marco se valida contra espectros con múltiples excitaciones superpuestas y perturbaciones espectrales controladas. La inclusión de "ruido" en el conjunto de entrenamiento mejora la capacidad del modelo para manejar perturbaciones débiles en los espectros objetivo.
3. Inversión de la Parte Imaginaria Únicamente: El estudio muestra que entrenar solo con la parte imaginaria de la respuesta ($\text{Im } Y(\omega)$) produce resultados cercanos a los obtenidos con la respuesta compleja completa. Esto es significativo para aplicaciones experimentales donde solo la componente imaginaria es directamente medible, permitiendo la reconstrucción de la representación completa de los polos sin transformaciones de Kramers-Kronig explícitas.
4. Generalización a Datos Reales: Los modelos entrenados se generalizan con éxito a cálculos de primeros principios (RPA) y espectros experimentales de diversos materiales (metales y semiconductores) que no formaron parte del conjunto de entrenamiento.

Resultados

• Validación Sintética: En conjuntos de validación sintéticos, la CNN recupera con precisión las posiciones de los polos, los ensanchamientos y los residuos para espectros con hasta cinco polos. Los errores absolutos medios aumentan de forma monotónica con el número de polos ($n_p$), lo que refleja la mayor dificultad para resolver excitaciones superpuestas, pero se mantienen dentro de límites aceptables para el análisis automatizado.
• Aplicación de Primeros Principios: El modelo reconstruye con éxito los espectros dieléctricos RPA de Aluminio (Al), Calcio (Ca) y Titanio (Ti) masivos. Para el Al, un solo polo es suficiente para el límite óptico, mientras que el Ca y el Ti requieren 3 y -4 polos, respectivamente. Las respuestas reconstruidas coinciden estrechamente con los datos de referencia de RPA.
• Aplicación Experimental: El marco se aplicó a espectros experimentales de Silicio (Si), Óxido de Zinc (ZnO), Tantalio (Ta) y Molibdeno (Mo).
  • Para Si, Ta y Mo, la CNN capturó con precisión las características espectrales dominantes utilizando 1, 4 y 5 polos, respectivamente.
  • Para el ZnO, un semiconductor de banda prohibida directa, el modelo reprodujo los picos principales pero tuvo dificultades con el inicio espectral y la cola de baja energía, que no están representados en el conjunto de entrenamiento basado en polos sintéticos.
  • Los resultados indican que, si bien el modelo sobresale en la captura de estructuras plasmónicas dominantes, puede omitir características secundarias (hombros, inicios) o artefactos experimentales no presentes en la distribución de entrenamiento sintética.

Significancia y Reivindicaciones
El autor sostiene que este trabajo establece un marco factible para el análisis automatizado y de alto rendimiento de los espectros dieléctricos. Al desacoplar el proceso de entrenamiento de bases de datos de materiales específicos, el enfoque ofrece una alternativa robusta a los ajustes no lineales convencionales. El estudio enfatiza que el método es una "prueba de factibilidad" más que una solución completamente optimizada para todas las características espectrales experimentales.

La significancia radica en la capacidad de extraer parámetros de polos físicamente interpretables a partir de espectros complejos en una sola pasada hacia adelante (forward pass). El autor señala que las limitaciones observadas (por ejemplo, la dificultad con los inicios espectrales o tipos de ruido específicos) son sistemáticas y pueden abordarse expandiendo el conjunto sintético para incluir una variedad más amplia de estructuras espectrales y perfiles de ruido. Esta modularidad sugiere un camino hacia un análisis espectral automatizado cada vez más complejo y preciso a través de diversos materiales y aplicaciones.