⚛️ quantum physics

Reconstructing the Hamiltonian from the local density of states using neural networks

Cet article démontre que l'apprentissage supervisé avec des réseaux de neurones convolutifs peut reconstruire avec précision des hamiltoniens à particule unique à partir de cartes spatiales de la densité locale d'états, offrant une méthode robuste avec des applications potentielles en microscopie à effet tunnel.

Auteurs originaux : Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Publié 2026-08-25

📖 4 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de la physique quantique, les scientifiques commencent souvent par une carte du terrain pour prédire comment une particule va se déplacer. Cette carte est appelée un Hamiltonien, une description mathématique du paysage énergétique qui guide les électrons à travers un matériau. Si vous connaissez la forme de ce paysage, vous pouvez calculer comment les électrons se comportent, comment ils conduisent l'électricité ou comment ils réagissent aux champs magnétiques. Cependant, dans le monde réel, la situation est souvent inversée. Les scientifiques peuvent fréquemment mesurer comment les électrons sont distribués dans l'espace à un niveau d'énergie spécifique, un motif connu sous le nom de densité locale d'états. Cette mesure est comparable à l'observation des ondulations sur un étang après qu'une pierre y a été jetée, mais sans connaître la forme de la pierre ou la profondeur de l'eau qui les a causées. Le défi a longtemps été de remonter à rebours à partir de ces ondulations pour reconstruire le paysage original. C'est une tâche difficile car de nombreux paysages différents peuvent produire des ondulations similaires, ce qui rend le problème mathématiquement ambigu. Pourtant, comprendre le paysage énergétique caché est crucial pour concevoir de nouveaux matériaux et comprendre les propriétés fondamentales de la matière.

Une équipe de chercheurs du Massachusetts Institute of Technology a abordé ce problème d'ingénierie inverse en utilisant un type d'intelligence artificielle appelé réseau de neurones convolutifs. Au lieu d'essayer de résoudre des équations complexes pour trouver la réponse, ils ont entraîné un ordinateur à reconnaître des motifs, tout comme un enfant apprend à identifier un visage en voyant de nombreux exemples. Les chercheurs ont créé des milliers de scénarios simulés où ils connaissaient à la fois le paysage énergétique caché et les motifs d'électrons résultants. Ils ont injecté ces paires de données dans l'ordinateur, permettant à celui-ci d'apprendre la connexion entre les deux. Une fois entraîné, l'ordinateur a été testé sur de nouveaux motifs inconnus. Les résultats ont été frappants : le réseau de neurones pouvait reconstruire le paysage énergétique original à partir des motifs d'électrons avec une précision remarquable. Dans les simulations unidimensionnelles, l'ordinateur a commis très peu d'erreurs, et dans les simulations bidimensionnelles, la reconstruction était si précise que le paysage prédit était presque indiscernable du véritable paysage.

Les chercheurs ont constaté que cette méthode fonctionne bien même lorsque les données sont imparfaites. Dans les expériences du monde réel, les mesures sont souvent bruitées, ce qui signifie que les données contiennent des fluctuations aléatoires qui obscurcissent le signal réel. L'équipe a testé son modèle en ajoutant du bruit artificiel aux données d'entraînement, apprenant à l'ordinateur à ignorer l'interférence pour se concentrer sur le motif sous-jacent. Ils ont découvert qu'avec cet entraînement supplémentaire, le modèle restait robuste même lorsque les données de test étaient fortement corrompues par le bruit. De plus, le modèle a montré une capacité de généralisation surprenante. Il a performé non seulement sur des données qui ressemblaient exactement à ce qu'il avait vu auparavant, mais aussi sur des données où les conditions sous-jacentes, telles que l'intensité du désordre ou la taille de la fenêtre d'énergie, étaient légèrement différentes. Cela suggère que le modèle a appris la relation fondamentale entre le paysage et les motifs d'électrons, plutôt que de simplement mémoriser des exemples spécifiques.

Ce travail a des implications directes pour une technique d'imagerie puissante appelée microscopie à effet tunnel, qui permet aux scientifiques de voir la surface des matériaux à l'échelle atomique. Ce microscope mesure la densité locale d'états, produisant des images détaillées de la distribution des électrons sur une surface. Actuellement, les scientifiques utilisent ces images pour repérer des défauts ou des arrangements atomiques spécifiques, mais extraire le paysage énergétique complet de ces images a été difficile. La nouvelle approche suggère que ces mêmes images pourraient être utilisées pour révéler le paysage énergétique complet et inconnu d'un échantillon. Cela permettrait aux chercheurs de modéliser le comportement d'un matériau sous différentes conditions, comme l'exposition à des champs magnétiques ou des changements de température, sans avoir besoin de connaître la structure atomique au préalable. Bien que l'étude actuelle se soit concentrée sur des systèmes simples et non interactifs, le succès de cette méthode ouvre la voie à l'application de techniques similaires à des matériaux plus complexes, transformant potentiellement la manière dont les scientifiques analysent et conçoivent les matériaux du futur.

Résumé Technique : Reconstruction de l'Hamiltonien à partir de la Densité Locale d'États par Réseaux de Neurones

Énoncé du Problème
Ce travail traite d'un problème inverse à l'intersection de la physique de la matière condensée quantique et de l'apprentissage automatique : la reconstruction d'un Hamiltonien à une particule à partir de la carte spatiale de la densité locale d'états (LDOS) à une énergie fixe. Si le « problème direct » — calculer la LDOS $\rho_E(\mathbf{r})$ à partir d'un potentiel $V(\mathbf{r})$ connu et d'un Hamiltonien $H$ — est simple, le problème inverse est généralement mal posé. Des Hamiltoniens distincts peuvent théoriquement produire des cartes de LDOS identiques dans une fenêtre d'énergie spécifique (par exemple, si l'énergie se situe dans des gaps spectraux). Les auteurs étudient si des solutions approximatives à ce problème inverse sont réalisables en utilisant l'apprentissage supervisé, en se concentrant spécifiquement sur la récupération du paysage de potentiel $V(\mathbf{r})$ à partir d'une seule tranche d'énergie de la LDOS.

Méthodologie
Les auteurs formulent le problème dans le contexte de modèles de liaisons fortes (tight-binding) sur des réseaux 1D et 2D, définis par l'Hamiltonien :
$H = -t \sum_{\langle \mathbf{r}\mathbf{r}' \rangle} c^\dagger_\mathbf{r} c_{\mathbf{r}'} + \sum_\mathbf{r} V(\mathbf{r}) c^\dagger_\mathbf{r} c_\mathbf{r}$
où $V(\mathbf{r})$ représente un potentiel de désordre aléatoire.

Génération de Données : Des jeux de données synthétiques sont générés en échantillonnant des potentiels $V(\mathbf{r})$ à partir de champs aléatoires gaussiens avec des longueurs de corrélation spécifiques ( $\xi$ ) et des amplitudes ( $V_0$ ). La LDOS correspondante est calculée numériment pour une énergie fixe $E$ .
Prétraitement : La LDOS d'entrée et le potentiel cible sont tous deux normalisés (moyenne nulle, écart-type unitaire) pour faciliter l'entraînement.
Architecture du Modèle : L'approche centrale utilise des Réseaux de Neurones Convolutifs (CNN) Image-vers-Image. Contrairement aux CNN de classification standard qui associent des images à des étiquettes de classe, ces modèles projettent directement une image d'entrée (LDOS) vers une image de sortie (potentiel reconstruit).
- Le modèle 1D utilise des couches convolutives avec des activations ReLU.
- Le modèle 2D incorpore des connexions résiduelles (skip connections) tous les deux niveaux pour améliorer le flux de gradient et les performances.
- Les réseaux n'utilisent ni pooling ni couches entièrement connectées (fully connected), préservant ainsi la résolution spatiale.
Objectif d'Entraînement : Les modèles sont entraînés pour minimiser l'Erreur Quadratique Moyenne (MSE) entre le potentiel prédit normalisé et le potentiel de référence (ground truth).
Lignes de Base (Baselines) : Les performances sont comparées à un ajustement à paramètre unique ( $\tilde{V} \propto \tilde{\rho}^n$ ) et à une approche des $k$ -plus proches voisins ( $k$ -nn) augmentée par translation.

Résultats Clés
L'étude démontre que l'apprentissage supervisé peut parvenir à une reconstruction de haute fidélité du paysage de potentiel à partir de données de LDOS dans des systèmes 1D et 2D.

Précision de la Reconstruction :
- Cas 1D : Le CNN atteint une perte MSE sur l'ensemble de test ( $L$ ) d'environ 0,016, surpassant nettement l'ajustement à paramètre unique ( $L \approx 0,995$ ) et les méthodes $k$ -nn ( $L \approx 0,707$ pour $k=10$ ). L'inspection visuelle montre que le potentiel prédit est presque indiscernable du potentiel réel dans les cas optimaux et médians.
- Cas 2D : Le CNN atteint une perte MSE sur l'ensemble de test d'environ $4,6 \times 10^{-3}$ , étant également très supérieur aux lignes de base ( $L \approx 0,623$ pour $k$ -nn).
Robustesse au Bruit :
- Les modèles présentent une tolérance intrinsèque au bruit ; même sans régularisation spécifique, le modèle 2D maintient une erreur faible ( $L < 0,1$ ) avec jusqu'à 20 % de bruit corrélé lors du test.
- Régularisation par le Bruit : L'ajout intentionnel de bruit gaussien corrélé synthétique aux données d'entraînement (bruit d'entraînement) agit comme un régularisateur. Un modèle entraîné avec un rapport signal sur bruit (SNR) de bruit = 1 maintient $L < 0,05$ , même lorsqu'il est testé avec des niveaux de bruit approchant l'amplitude du signal ( $\sigma/\sigma_\rho \approx 1$ ).
Généralisation (Hors-Distribution) :
- Les modèles généralisent aux décalages de paramètres non vus durant l'entraînement. Lorsqu'ils sont testés sur des potentiels dont les amplitudes de désordre ( $V_0$ ) et les longueurs de corrélation ( $\xi$ ) diffèrent légèrement de la distribution d'entraînement, les modèles maintiennent une erreur faible ( $L \lesssim 0,1$ ) dans un voisinage raisonnable des paramètres d'entraînement.
Analyse de l'Apprentissage (Learnability) :
- La qualité de la reconstruction n'est pas strictement corrélée à la densité spectrale ou à la longueur de localisation des états propres. Les performances se dégradent près des bords et du milieu du spectre d'énergie, suggérant que des caractéristiques spectrales spécifiques influencent l'apprentissage.

Signification et Revendications
L'article affirme que la reconstruction d'un Hamiltonien à partir de données de LDOS limitées et observables expérimentalement est un problème inverse réalisable et traitable lorsqu'il est abordé via l'apprentissage supervisé.

Utilité Pratique : Les auteurs proposent que cette méthode puisse être appliquée aux données de Microscopie à Effet Tunnel (STM). Puisque la STM mesure la conductance différentielle (proportionnelle à la LDOS) avec une résolution sub-angström, les modèles entraînés pourraient théoriquement inverser ces images pour révéler le paysage énergétique inconnu (potentiel $V(\mathbf{r})$ ) d'un échantillon.
Applications : Cette reconstruction permet de calculer des quantités physiques (ex: coefficients de transport, réponses magnétiques) qui nécessitent la connaissance du potentiel. Les auteurs notent spécifiquement des applications potentielles dans l'étude des reconstructions de surface (ex: motifs atomiques complexes sur Si(111) ou Au(111)) où le paysage énergétique est complexe et aperiodique.
Efficacité des Données : Les modèles atteignent une haute précision avec des jeux de données relativement petits (1 200 échantillons pour la 2D), suggérant que l'approche peut être viable même lorsque la génération de grandes quantités de données d'entraînement est coûteuse en calcul (ex: pour des systèmes avec interactions électron-électron).
Limites : Les auteurs notent modestement que pour les surfaces hautement régulières avec de faibles densités de défauts, l'espace de problème est de « faible dimension », et qu'une simple régression ou une inspection humaine pourrait suffire, limitant l'avantage du ML dans ces cas spécifiques. Le présent travail est limité aux modèles de liaisons fortes à un seul orbitale et sans interaction.

En conclusion, ce travail établit qu'il existe des solutions approximatives au problème de reconstruction de l'Hamiltonien pour des distributions spécifiques et démontre que les CNN image-vers-image peuvent résoudre ce problème inverse avec une précision et une robustesse élevées, comblant ainsi le fossé entre les cartes de LDOS expérimentales et les descriptions théoriques de l'Hamiltonien.

Articles similaires