⚛️ quantum physics

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

Questo articolo dimostra che l'apprendimento supervisionato con reti neurali convoluzionali può ricostruire accuratamente gli hamiltoniani a particella singola da mappe spaziali della densità locale degli stati, offrendo un metodo robusto con potenziali applicazioni nella microscopia a effetto tunnel a scansione.

Autori originali: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Pubblicato 2026-08-25

📖 4 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo della fisica quantistica, gli scienziati spesso partono da una mappa del terreno per prevedere come si muoverà una particella. Questa mappa è chiamata Hamiltoniana, una descrizione matematica del paesaggio energetico che guida gli elettroni attraverso un materiale. Se si conosce la forma di questo paesaggio, è possibile calcolare come si comportano gli elettroni, come conducono l'elettricità o come rispondono ai campi magnetici. Tuttavia, nel mondo reale, la situazione è spesso invertita. Gli scienziati possono frequentemente misurare come gli elettroni siano distribuiti nello spazio a un determinato livello di energia, un modello noto come densità locale degli stati. Questa misurazione è simile al vedere le increspature su uno stagno dopo che è stato gettato un sasso, ma senza conoscere la forma del sasso o la profondità dell'acqua che le ha causate. La sfida è stata a lungo quella di lavorare a ritroso da queste increspature per ricostruire il paesaggio originale. Questo è un compito difficile perché molti paesaggi diversi possono produrre increspature simili, rendendo il problema matematicamente ambiguo. Eppure, comprendere il paesaggio energetico nascosto è fondamentale per progettare nuovi materiali e comprendere le proprietà fondamentali della materia.

Un team di ricercatori del Massachusetts Institute of Technology ha affrontato questo problema di ingegneria inversa utilizzando un tipo di intelligenza artificiale chiamata rete neurale convoluzionale. Invece di cercare di risolvere equazioni complesse per trovare la risposta, hanno addestrato un computer a riconoscere i modelli, proprio come un bambino impara a identificare un volto vedendo molti esempi. I ricercatori hanno creato migliaia di scenari simulati in cui conoscevano sia il paesaggio energetico nascosto che i modelli elettronici risultanti. Hanno fornito queste coppie di dati al computer, permettendogli di apprendere la connessione tra le due cose. Una volta addestrato, il computer è stato testato su nuovi modelli mai visti prima. I risultati sono stati sorprendenti: la rete neurale riusciva a ricostruire il paesaggio energetico originale a partire dai modelli elettronici con una precisione straordinaria. Nelle simulazioni monodimensionali, il computer ha commesso pochissimi errori e, nelle simulazioni bidimensionali, la ricostruzione è stata così precisa che il paesaggio previsto era quasi indistinguibile da quello reale.

I ricercatori hanno scoperto che questo metodo funziona bene anche quando i dati sono imperfetti. Negli esperimenti del mondo reale, le misurazioni sono spesso rumorose, il che significa che i dati contengono fluttuazioni casuali che oscurano il segnale reale. Il team ha testato il proprio modello aggiungendo rumore artificiale ai dati di addestramento, insegnando al computer a ignorare l'interferenza e a concentrarsi sul modello sottostante. Hanno scoperto che, con questo addestramento extra, il modello rimaneva robusto anche quando i dati di test erano pesantemente corrotti dal rumore. Inoltre, il modello ha mostrato una sorprendente capacità di generalizzazione. Ha funzionato bene non solo su dati che apparivano esattamente come quelli che aveva già visto, ma anche su dati in cui le condizioni sottostanti, come la forza del disordine o la dimensione della finestra energetica, erano leggermente diverse. Ciò suggerisce che il modello abbia appreso la relazione fondamentale tra il paesaggio e i modelli elettronici, piuttosto che limitarsi a memorizzare esempi specifici.

Questo lavoro ha implicazioni dirette per una potente tecnica di imaging chiamata microscopia a effetto tunnel, che permette agli scienziati di vedere la superficie dei materiali alla scala atomica. Questo microscopio misura la densità locale degli stati, producendo immagini dettagliate di come gli elettroni siano distribuiti su una superficie. Attualmente, gli scienziati usano queste immagini per individuare difetti o specifiche disposizioni atomiche, ma estrarre il pieno paesaggio energetico da queste immagini è stato difficile. Il nuovo approccio suggerisce che queste stesse immagini potrebbero essere utilizzate per rivelare il completo e ignoto paesaggio energetico di un campione. Ciò permetterebbe ai ricercatori di modellare come un materiale si comporterà sotto diverse condizioni, come l'esposizione a campi magnetici o variazioni di temperatura, senza la necessità di conoscere preventivamente la struttura atomica. Sebbene l'attuale studio si sia concentrato su sistemi semplici e non interagenti, il successo di questo metodo apre la porta all'applicazione di tecniche simili a materiali più complessi, trasformando potenzialmente il modo in cui gli scienziati analizzano e progettano i materiali del futuro.

Sintesi Tecnica: Ricostruzione dell'Hamiltoniana dalla Densità Locale degli Stati utilizzando Reti Neurali

Definizione del Problema
Questo lavoro affronta un problema inverso all'intersezione tra la fisica della materia condensata quantistica e l'apprendimento automatico: la ricostruzione di un'Hamiltoniana a particella singola dalla mappa spaziale della densità locale degli stati (LDOS) a un'energia fissata. Mentre il "problema diretto" — calcolare la LDOS $\rho_E(\mathbf{r})$ da un potenziale noto $V(\mathbf{r})$ e un'Hamiltoniana $H$ — è semplice, il problema inverso è generalmente mal posto. Hamiltoniane distinte possono teoricamente produrre mappe LDOS identiche all'interno di una specifica finestra energetica (ad esempio, se l'energia si trova all'interno di gap spettrali). Gli autori indagano se soluzioni approssimate a questo problema inverso siano fattibili utilizzando l'apprendimento supervisionato, concentrandosi specificamente sul recupero del paesaggio di potenziale $V(\mathbf{r})$ da una singola sezione di energia della LDOS.

Metodologia
Gli autori formulano il problema nel contesto di modelli tight-binding su reticoli 1D e 2D, definiti dall'Hamiltoniana:
$H = -t \sum_{\langle \mathbf{r}\mathbf{r}' \rangle} c^\dagger_\mathbf{r} c_{\mathbf{r}'} + \sum_\mathbf{r} V(\mathbf{r}) c^\dagger_\mathbf{r} c_\mathbf{r}$
dove $V(\mathbf{r})$ rappresenta un potenziale di disordine casuale.

Generazione dei Dati: Dataset sintetici vengono generati campionando potenziali $V(\mathbf{r})$ da campi casuali gaussiani con specifiche lunghezze di correlazione ( $\xi$ ) e ampiezze ( $V_0$ ). La corrispondente LDOS viene calcolata numericamente per un'energia fissa $E$ .
Pre-elaborazione: Sia la LDOS in input che il potenziale target vengono normalizzati (media zero, deviazione standard unitaria) per facilitare l'addestramento.
Architettura del Modello: L'approccio principale utilizza Reti Neurali Convoluzionali (CNN) Image-to-Image. A differenza delle classiche CNN di classificazione che mappano immagini in etichette di classe, questi modelli mappano un'immagine in input (LDOS) direttamente a un'immagine in output (potenziale ricostruito).
- Il modello 1D utilizza strati convoluzionali con attivazioni ReLU.
- Il modello 2D incorpora connessioni residue (skip connections) ogni due strati per migliorare il flusso del gradiente e le prestazioni.
- Le reti non utilizzano pooling o strati completamente connessi (fully connected), preservando la risoluzione spaziale.
Obiettivo di Addestramento: I modelli sono addestrati per minimizzare l'Errore Quadratico Medio (MSE) tra il potenziale predetto normalizzato e il potenziale reale (ground truth).
Baseline: Le prestazioni sono confrontate con un fit a singolo parametro ( $\tilde{V} \propto \tilde{\rho}^n$ ) e un approccio $k$ -nearest-neighbors ( $k$ -nn) con aumento della traslazione.

Risultati Chiave
Lo studio dimostra che l'apprendimento supervisionato può ottenere una ricostruzione ad alta fedeltà del paesaggio di potenziale dai dati LDOS sia in sistemi 1D che 2D.

Accuratezza della Ricostruzione:
- Caso 1D: La CNN raggiunge una perdita MSE sul set di test ( $L$ ) di circa 0,016, superando significativamente il fit a singolo parametro ( $L \approx 0,995$ ) e i metodi $k$ -nn ( $L \approx 0,707$ per $k=10$ ). L'ispezione visiva mostra che il potenziale predetto è quasi indistinguibile dal potenziale reale nei casi migliori e mediani.
- Caso 2D: La CNN raggiunge una perdita MSE sul set di test di circa $4,6 \times 10^{-3}$ , nuovamente molto superiore alle baseline ( $L \approx 0,623$ per $k$ -nn).
Robustezza al Rumore:
- I modelli mostrano una tolleranza intrinseca al rumore; anche senza una specifica regolarizzazione, il modello 2D mantiene un errore basso ( $L < 0,1$ ) con fino al 20% di rumore correlato nel test set.
- Regolarizzazione del Rumore: L'aggiunta intenzionale di rumore gaussiano correlato sintetico ai dati di addestramento (rumore di training) agisce come regolarizzatore. Un modello addestrato con rumore SNR = 1 mantiene $L < 0,05$ anche quando testato con livelli di rumore che si avvicinano all'ampiezza del segnale ( $\sigma/\sigma_\rho \approx 1$ ).
Generalizzazione (Out-of-Distribution):
- I modelli generalizzano a spostamenti di parametri non visti durante l'addestramento. Quando testati su potenziali con ampiezze di disordine ( $V_0$ ) e lunghezze di correlazione ( $\xi$ ) leggermente diverse dalla distribuzione di training, i modelli mantengono un errore basso ( $L \lesssim 0,1$ ) entro un vicinato ragionevole dei parametri di addestramento.
Analisi della Learnability (Imparabilità):
- La qualità della ricostruzione non è strettamente correlata alla densità spettrale o alla lunghezza di localizzazione degli autostati. Le prestazioni degradano vicino ai bordi e al centro dello spettro energetico, suggerendo che specifiche caratteristiche spettrali influenzano la capacità di apprendimento.

Significato e Rivendicazioni
Il documento sostiene che la ricostruzione di un'Hamiltoniana da dati LDOS limitati e sperimentalmente osservabili è un problema inverso fattibile e trattabile se affrontato tramite l'apprendimento supervisionato.

Utilità Pratica: Gli autori propongono che questo metodo possa essere applicato ai dati di Microscopia a Effetto Tunnel (STM). Poiché l'STM misura la conduttanza differenziale (proporzionale alla LDOS) con risoluzione sub-angstrom, i modelli addestrati potrebbero teoricamente invertire queste immagini per rivelare il paesaggio energetico sottostante (potenziale $V(\mathbf{r})$ ) di un campione.
Applicazioni: Questa ricostruzione consente i calcoli successivi di quantità fisiche (ad esempio, coefficienti di trasporto, risposte magnetiche) che richiedono la conoscenza del potenziale. Gli autori notano specificamente potenziali applicazioni nello studio delle ricostruzioni superficiali (ad esempio, pattern atomici complessi su Si(111) o Au(111)) dove il paesaggio energetico è complicato e aperiodico.
Efficienza dei Dati: I modelli raggiungono un'alta accuratezza con dataset relativamente piccoli (1.200 campioni per il 2D), suggerendo che l'approccio possa essere praticabile anche quando la generazione di grandi quantità di dati di addestramento è computazionalmente costosa (ad esempio, per sistemi con interazioni elettrone-elettrone).
Limitazioni: Gli autori notano modestamente che per superfici altamente regolari con basse densità di difetti, lo spazio del problema è "a bassa dimensionalità", e una semplice regressione o l'ispezione umana potrebbero bastare, limitando il vantaggio del ML in quei casi specifici. L'attuale lavoro è limitato a modelli tight-binding a orbita singola e non interagenti.

In conclusione, il lavoro stabilisce che soluzioni approssimate al problema della ricostruzione dell'Hamiltoniana esistono per distribuzioni specifiche e dimostra che le CNN image-to-image possono risolvere questo problema inverso con alta accuratezza e robustezza, colmando il divario tra le mappe LDOS sperimentali e le descrizioni teoriche dell'Hamiltoniana.

Articoli simili