⚛️ quantum physics

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

Este artigo demonstra que o aprendizado supervisionado com redes neurais convolucionais pode reconstruir com precisão Hamiltonianos de partícula única a partir de mapas espaciais da densidade de estados local, oferecendo um método robusto com aplicações potenciais em microscopia de tunelamento de varredura.

Autores originais: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Publicado 2026-08-25

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da física quântica, os cientistas frequentemente começam com um mapa do terreno para prever como uma partícula se moverá. Esse mapa é chamado de Hamiltoniano, uma descrição matemática do relevo de energia que guia os elétrons através de um material. Se você conhece a forma desse relevo, pode calcular como os elétrons se comportam, como conduzem eletricidade ou como respondem a campos magnéticos. No entanto, no mundo real, a situação é frequentemente o inverso. Os cientistas podem frequentemente medir como os elétrons estão distribuídos no espaço em um nível de energia específico, um padrão conhecido como densidade local de estados. Essa medição é como ver as ondulações em um lago após uma pedra ter sido lançada, mas sem saber a forma da pedra ou a profundidade da água que as causou. O desafio tem sido, há muito tempo, trabalhar de trás para frente a partir dessas ondulações para reconstruir o relevo original. Esta é uma tarefa difícil porque muitos relevos diferentes podem produzir ondulações semelhantes, tornando o problema matematicamente ambíguo. No entanto, compreender o relevo de energia oculto é crucial para projetar novos materiais e compreender as propriedades fundamentais da matéria.

Uma equipe de pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) abordou este problema de engenharia reversa usando um tipo de inteligência artificial chamada rede neural convolucional. Em vez de tentar resolver equações complexas para encontrar a resposta, eles treinaram um computador para reconhecer padrões, muito parecido com uma criança que aprende a identificar um rosto ao ver muitos exemplos. Os pesquisadores criaram milhares de cenários simulados onde conheciam tanto o relevo de energia oculto quanto os padrões de elétrons resultantes. Eles alimentaram o computador com esses pares de dados, permitindo que ele aprendesse a conexão entre os dois. Uma vez treinado, o computador foi testado em novos padrões não vistos. Os resultados foram impressionantes: a rede neural conseguiu reconstruir o relevo de energia original a partir dos padrões de elétrons com uma precisão notável. Em simulações unidimensionais, o computador cometeu pouquíssimos erros e, em simulações bidimensionais, a reconstrução foi tão precisa que o relevo previsto era quase indistinguível do verdadeiro.

Os pesquisadores descobriram que este método funciona bem mesmo quando os dados são imperfeitos. Em experimentos do mundo real, as medições são frequentemente ruidosas, o que significa que os dados contêm flutuações aleatórias que obscurecem o sinal real. A equipe testou seu modelo adicionando ruído artificial aos dados de treinamento, ensinando o computador a ignorar a estática e focar no padrão subjacente. Eles descobriram que, com esse treinamento extra, o modelo permaneceu robusto mesmo quando os dados de teste estavam fortemente corrompidos por ruído. Além disso, o modelo mostrou uma capacidade surpreendente de generalização. Ele teve um bom desempenho não apenas em dados que pareciam exatamente com o que havia visto antes, mas também em dados onde as condições subjacentes, como a força do desordem ou o tamanho da janela de energia, eram ligeiramente diferentes. Isso sugere que o modelo aprendeu a relação fundamental entre o relevo e os padrões de elétrons, em vez de simplesmente memorizar exemplos específicos.

Este trabalho tem implicações diretas para uma técnica de imagem poderosa chamada microscopia de tunelamento por varredura, que permite aos cientistas ver a superfície de materiais na escala atômica. Este microscópio mede a densidade local de estados, produzindo imagens detalhadas de como os elétrons estão distribuídos em uma superfície. Atualmente, os cientistas usam essas imagens para detectar defeitos ou arranjos atômicos específicos, mas extrair o relevo de energia completo a partir dessas imagens tem sido difícil. A nova abordagem sugere que essas mesmas imagens poderiam ser usadas para revelar o relevo de energia completo e desconhecido de uma amostra. Isso permitiria aos pesquisadores modelar como um material se comportará sob diferentes condições, como exposição a campos magnéticos ou mudanças de temperatura, sem precisar conhecer a estrutura atômica previamente. Embora o estudo atual tenha se concentrado em sistemas simples e não interagentes, o sucesso deste método abre as portas para aplicar técnicas semelhantes a materiais mais complexos, potencialmente transformando a forma como os cientistas analisam e projetam os materiais do futuro.

Resumo Técnico: Reconstrução do Hamiltoniano a partir da Densidade Local de Estados usando Redes Neurais

Enunciado do Problema
Este trabalho aborda um problema inverso na interseção entre a física da matéria condensada quântica e o aprendizado de máquina: reconstruir um Hamiltoniano de partícula única a partir do mapa espacial da densidade local de estados (LDOS) em uma energia fixa. Embora o "problema direto" — calcular a LDOS $\rho_E(\mathbf{r})$ a partir de um potencial conhecido $V(\mathbf{r})$ e um Hamiltoniano $H$ — seja direto, o inverso é geralmente mal posto. Hamiltonianos distintos podem, teoricamente, gerar mapas de LDOS idênticos dentro de uma janela de energia específica (por exemplo, se a energia estiver dentro de lacunas espectrais). Os autores investigam se soluções aproximadas para este problema inverso são viáveis utilizando aprendizado supervisionado, focando especificamente na recuperação do cenário de potencial $V(\mathbf{r})$ a partir de uma única fatia de energia da LDOS.

Metodologia
Os autores formulam o problema no contexto de modelos de ligação forte (tight-binding) em redes 1D e 2D, definidos pelo Hamiltoniano:
$H = -t \sum_{\langle \mathbf{r}\mathbf{r}' \rangle} c^\dagger_\mathbf{r} c_{\mathbf{r}'} + \sum_\mathbf{r} V(\mathbf{r}) c^\dagger_\mathbf{r} c_\mathbf{r}$
onde $V(\mathbf{r})$ representa um potencial de desordem aleatório.

Geração de Dados: Conjuntos de dados sintéticos são gerados amostrando potenciais $V(\mathbf{r})$ de campos aleatórios gaussianos com comprimentos de correlação ( $\xi$ ) e amplitudes ( $V_0$ ) específicos. A LDOS correspondente é computada numericamente para uma energia fixa $E$ .
Pré-processamento: Tanto a LDOS de entrada quanto o potencial alvo são normalizados (média zero, desvio padrão unitário) para facilitar o treinamento.
Arquitetura do Modelo: A abordagem central utiliza Redes Neurais Convolucionais (CNNs) de Imagem-para-Imagem. Diferente das CNNs de classificação padrão que mapeiam imagens para rótulos de classe, estes modelos mapeiam uma imagem de entrada (LDOS) diretamente para uma imagem de saída (potencial reconstruído).
- O modelo 1D utiliza camadas convolucionais com ativações ReLU.
- O modelo 2D incorpora conexões residuais (skip connections) a cada duas camadas para melhorar o fluxo de gradiente e o desempenho.
- As redes não utilizam pooling ou camadas totalmente conectadas (fully connected), preservando a resolução espacial.
Objetivo de Treinamento: Os modelos são treinados para minimizar o Erro Quadrático Médio (MSE) entre o potencial previsto normalizado e o potencial real (ground truth).
Linhas de Base (Baselines): O desempenho é comparado contra um ajuste de parâmetro único ( $\tilde{V} \propto \tilde{\rho}^n$ ) e uma abordagem de $k$ -vizinhos mais próximos ( $k$ -nn) aumentada por translação.

Principais Resultados
O estudo demonstra que o aprendizado supervisionado pode alcançar uma reconstrução de alta fidelidade do cenário de potencial a partir de dados de LDOS em sistemas 1D e 2D.

Precisão da Reconstrução:
- Caso 1D: A CNN alcança um erro de perda MSE no conjunto de teste ( $L$ ) de aproximadamente 0,016, superando significativamente o ajuste de parâmetro único ( $L \approx 0,995$ ) e os métodos $k$ -nn ( $L \approx 0,707$ para $k=10$ ). A inspeção visual mostra que o potencial previsto é quase indistinguível do potencial real nos casos melhores e medianos.
- Caso 2D: A CNN alcança um erro de perda MSE de aproximadamente $4,6 \times 10^{-3}$ , novamente muito superior às linhas de base ( $L \approx 0,623$ para $k$ -nn).
Robustez ao Ruído:
- Os modelos exibem tolerância inerente ao ruído; mesmo sem regularização específica, o modelo 2D mantém um erro baixo ( $L < 0,1$ ) com até 20% de ruído correlacionado no teste.
- Regularização por Ruído: Adicionar intencionalmente ruído gaussiano correlacionado sintético aos dados de treinamento (ruído de treinamento) atua como um regularizador. Um modelo treinado com SNR = 1 de ruído mantém $L < 0,05$ mesmo quando testado com níveis de ruído próximos à amplitude do sinal ( $\sigma/\sigma_\rho \approx 1$ ).
Generalização (Fora da Distribuição):
- Os modelos generalizam para deslocamentos de parâmetros não vistos durante o treinamento. Quando testados em potenciais com amplitudes de desordem ( $V_0$ ) e comprimentos de correlação ( $\xi$ ) ligeiramente diferentes da distribuição de treinamento, os modelos mantêm erro baixo ( $L \lesssim 0,1$ ) dentro de uma vizinhança razoável dos parâmetros de treinamento.
Análise de Aprendibilidade:
- A qualidade da reconstrução não está estritamente correlacionada com a densidade espectral ou o comprimento de localização do estado próprio. O desempenho degrada-se perto das bordas e do meio do espectro de energia, sugerindo que características espectrais específicas influenciam a aprendibilidade.

Significância e Alegações
O artigo afirma que reconstruir um Hamiltoniano a partir de dados de LDOS limitados e experimentalmente observáveis é um problema inverso viável e tratável quando abordado via aprendizado de máquina supervisionado.

Utilidade Prática: Os autores propõem que este método pode ser aplicado a dados de Microscopia de Varredura de Tunelamento (STM). Uma vez que o STM mede a condutância diferencial (proporcional à LDOS) com resolução sub-angstrom, os modelos treinados poderiam, teoricamente, inverter essas imagens para revelar o cenário de energia subjacente desconhecido (potencial $V(\mathbf{r})$ ) de uma amostra.
Aplicações: Esta reconstrução permite cálculos subsequentes de grandezas físicas (ex: coeficientes de transporte, respostas magnéticas) que requerem o conhecimento do potencial. Os autores notam especificamente aplicações potenciais no estudo de reconstruções de superfície (ex: padrões atômicos complexos em Si(111) ou Au(111)) onde o cenário de energia é complicado e aperiódico.
Eficiência de Dados: Os modelos alcançam alta precisão com conjuntos de dados relativamente pequenos (1.200 amostras para 2D), sugerindo que a abordagem pode ser viável mesmo quando gerar grandes quantidades de dados de treinamento é computacionalmente caro (ex: para sistemas com interações elétron-elétron).
Limitações: Os autores notam modestamente que, para superfícies altamente regulares com baixas densidades de defeitos, o espaço do problema é "de baixa dimensão", e uma regressão simples ou inspeção humana pode ser suficiente, limitando a vantagem do ML nesses casos específicos. O trabalho atual está restrito a modelos de ligação forte de orbital único e não interagentes.

Em conclusão, o trabalho estabelece que soluções aproximadas para o problema de reconstrução do Hamiltoniano existem para distribuições específicas e demonstra que CNNs de imagem-para-imagem podem resolver este problema inverso com alta precisão e robustez, preenchendo a lacuna entre mapas de LDOS experimentais e descrições teóricas do Hamiltoniano.

Resumo Técnico: Reconstrução do Hamiltoniano a partir da Densidade Local de Estados usando Redes Neurais

Mais como este