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

Technische Samenvatting: Reconstructie van de Hamiltoniaan uit de Lokale Dichtheid van Toestanden met behulp van Neurale Netwerken

Probleemstelling
Dit werk behandelt een invers probleem op het snijvlak van kwantum-gecondenseerde materie en machine learning: het reconstrueren van een enkeldeeltjes-Hamiltoniaan uit de ruimtelijke kaart van de lokale dichtheid van toestanden (LDOS) bij een vaste energie. Terwijl het "voorwaartse probleem"—het berekenen van de LDOS $\rho_E(\mathbf{r})$ uit een bekende potentiaal $V(\mathbf{r})$ en Hamiltoniaan $H$—eenvoudig is, is het omgekeerde proces over het algemeen slecht gesteld (ill-posed). Verschillende Hamiltoniaanse kunnen theoretisch identieke LDOS-kaarten opleveren binnen een specifiek energievenster (bijvoorbeeld als de energie in spectrale gaten ligt). De auteurs onderzoeken of benaderende oplossingen voor dit inverse probleem haalbaar zijn met behulp van supervised learning, waarbij specifiek wordt gefocust op het herstellen van het potentiaallandschap $V(\mathbf{r})$ uit een enkele energiesnit van de LDOS.

Methodologie
De auteurs formuleren het probleem binnen de context van tight-binding modellen op 1D- en 2D-roosters, gedefinieerd door de Hamiltoniaan:
$$H = -t \sum_{\langle \mathbf{r}\mathbf{r}' \rangle} c^\dagger_\mathbf{r} c_{\mathbf{r}'} + \sum_\mathbf{r} V(\mathbf{r}) c^\dagger_\mathbf{r} c_\mathbf{r}$$
waarbij $V(\mathbf{r})$ een willekeurige wanorde-potentiaal vertegenwoordigt.

• Datageneratie: Synthetische datasets worden gegenereerd door potentialen $V(\mathbf{r})$ te bemonsteren uit Gaussische willekeurige velden met specifieke correlatielengtes ($\xi$) en amplitudes ($V_0$). De bijbehorende LDOS wordt numeriek berekend voor een vaste energie $E$.
• Preprocessing: Zowel de input-LDOS als de doel-potentiaal worden genormaliseerd (gemiddelde nul, eenheid standaarddeviatie) om training te vergemakkelijken.
• Modelarchitectuur: De kernaanpak maakt gebruik van Image-to-Image Convolutional Neural Networks (CNN's). In tegen tegenstelling tot standaard classificatie-CNN's die afbeeldingen naar klasse-labels mappen, mappen deze modellen een input-afbeelding (LDOS) direct naar een output-afbeelding (gereconstrueerde potentiaal).
  • Het 1D-model gebruikt convolutionele lagen met ReLU-activaties.
  • Het 2D-model incorporeert residuele (skip) verbindingen elke twee lagen om de gradiëntdoorstroming en prestaties te verbeteren.
  • De netwerken maken geen gebruik van pooling of volledig verbonden (fully connected) lagen, waardoor de ruimtelijke resolutie behouden blijft.
• Trainingsdoel: De modellen worden getraind om de gemiddelde kwadratische fout (MSE) tussen de genormaliseerde voorspelde potentiaal en de grondwaarheid (ground truth) van de potentiaal te minimaliseren.
• Baselines: Prestaties worden vergeleken met een single-parameter fit ($\tilde{V} \propto \tilde{\rho}^n$) en een translatie-geaugmenteerde $k$-nearest-neighbors ($k$-nn) aanpak.

Belangrijkste Resultaten
De studie demonstreert dat supervised learning een reconstructie met hoge getrouwheid kan bereiken van het potentiaallandschap uit LDOS-data in zowel 1D- als 2D-systemen.

• Reconstructienauwkeurigheid:
  • 1D-geval: De CNN bereikt een testset MSE-verlies ($L$) van ongeveer 0,016, wat aanzienlijk beter presteert dan de single-parameter fit ($L \approx 0,995$) en $k$-nn methoden ($L \approx 0,707$ voor $k=10$). Visuele inspectie laat zien dat de voorspelde potentiaal bijna niet te onderscheiden is van de ware potentiaal in de beste en mediane gevallen.
  • 2D-geval: De CNN bereikt een testset MSE-verlies van ongeveer $4,6 \times 10^{-3}$, eveneens superieur aan de baselines ($L \approx 0,623$ voor $k$-nn).
• Robuustheid tegen Ruis:
  • De modellen vertonen een inherente tolerantie voor ruis; zelfs zonder specifieke regularisatie behoudt het 2D-model een lage fout ($L < 0,1$) met tot 20% gecorreleerde testruis.
  • Ruis-regularisatie: Het opzettelijk toevoegen van synthetische gecorreleerde Gaussische ruis aan de trainingsdata (trainingsruis) werkt als een regularisator. Een model getraind met een Signal-to-Noise Ratio (SNR) = 1 behoudt $L < 0,05$, zelfs wanneer het getest wordt met ruisniveaus die de signaalamplitude benaderen ($\sigma/\sigma_\rho \approx 1$).
• Generalisatie (Out-of-Distribution):
  • De modellen generaliseren naar parameterverschuivingen die niet tijdens de training zijn gezien. Wanneer getest op potentialen met wanorde-amplitudes ($V_0$) en correlatielengtes ($\xi$) die iets verschillen van de trainingsdistributie, behouden de modellen een lage fout ($L \lesssim 0,1$) binnen een redelijke nabijheid van de trainingsparameters.
• Leerbaarheidsanalyse:
  • De kwaliteit van de reconstructie correleert niet strikt met de spectrale dichtheid of de lokalisatielengte van de eigentoestanden. De prestaties verslechteren nabij de randen en het midden van het energiespectrum, wat suggereert dat specifieke spectrale kenmerken de leerbaarheid beïnvloeden.

Betekenis en Claims
Het artikel beweert dat het reconstrueren van een Hamiltoniaan uit beperkte, experimenteel observeerbare LDOS-data een haalbaar en beheersbaar invers probleem is wanneer dit wordt benaderd via supervised machine learning.

• Praktisch Nut: De auteurs stellen voor dat deze methode kan worden toegepast op Scanning Tunneling Microscopy (STM) data. Aangezien STM de differentiële conductantie (proportioneel aan de LDOS) meet met sub-angström resolutie, zouden de getrainde modellen theoretisch deze afbeeldingen kunnen inverteren om het onderliggende onbekende energieveld (potentiaal $V(\mathbf{r})$) van een monster te onthullen.
• Toepassingen: Deze reconstructie maakt downstream berekeningen van fysieke grootheden mogelijk (bijv. transportcoëfficiënten, magnetische responsen) die kennis van de potentiaal vereisen. De auteurs merken specifiek potentiële toepassingen aan bij het bestuderen van oppervlaktereconstructies (bijv. complexe atomaire patronen op Si(111) of Au(111)) waar het energieveld gecompliceerd en aperiodiek is.
• Data-efficiëntie: De modellen bereiken een hoge nauwkeurigheid met relatief kleine datasets (1.200 monsters voor 2D), wat suggereert dat de aanpak levensvatbaar kan zijn zelfs wanneer het genereren van grote hoeveelheden trainingsdata computationeel duur is (bijv. voor systemen met elektron-elektron interacties).
• Beperkingen: De auteurs merken bescheiden op dat voor zeer regelmatige oppervlakken met een lage defectdichtheid de probleemruimte "laag-dimensionaal" is, waardoor eenvoudige regressie of menselijke inspectie volstaan, wat het voordeel van ML in die specifieke gevallen beperkt. Het huidige werk is beperkt tot niet-interagerende, single-orbital tight-binding modellen.

Concluderend stelt dit werk vast dat benaderende oplossingen voor het probleem van de Hamiltoniaan-reconstructie bestaan voor specifieke distributies en demonstreert dat image-to-image CNN's dit inverse probleem met hoge nauwkeurigheid en robuustheid kunnen oplossen, waarmee de kloof tussen experimentele LDOS-kaarten en theoretische Hamiltoniaan-beschrijvingen wordt overbrugd.