✨ 要点🔬 技术摘要
在量子物理学领域，科学家通常从地形图开始，以预测粒子的运动方式。这张地图被称为哈密顿量（Hamiltonian），它是对引导电子穿过材料的能量景观的一种数学描述。如果你了解这个景观的形状，你就可以计算电子如何行为、如何导电，或者如何响应磁场。然而，在现实世界中，情况往往是相反的。科学家经常可以测量出在特定能量水平下电子在空间中的分布情况，这种模式被称为局域态密度（local density of states）。这种测量就像是在看到石子投入池塘后产生的涟漪，却不知道是什么样的石子或水深导致了这些涟漪。长期以来的挑战在于，如何从这些涟漪反向推导出原始的景观。这是一项艰巨的任务，因为许多不同的景观都能产生相似的涟漪，这使得问题在数学上具有歧义性。然而，理解隐藏的能量景观对于设计新材料和理解物质的基本性质至关重要。
麻省理工学院的一个研究小组利用一种被称为卷积神经网络（convolutional neural network）的人工智能技术，解决了这一逆向工程问题。该研究并非试图通过求解复杂的方程来寻找答案，而是训练计算机识别模式，就像孩子通过观察许多例子来学习识别一张脸一样。研究人员创建了数千个模拟场景，在这些场景中，他们已知隐藏的能量景观以及由此产生的电子模式。他们将这些成对的数据输入计算机，让它学习两者之间的联系。训练完成后，计算机在新的、未见过的模式上进行了测试。结果令人震惊：神经网络能够以极高的准确度从电子模式中重建原始的能量景观。在一维模拟中，计算机几乎没有出错；而在二维模拟中，重建过程如此精确，以至于预测的景观与真实的景观几乎无法区分。
研究人员发现，即使在数据不完美的情况下，这种方法也同样有效。在现实世界的实验中，测量结果通常带有噪声，这意味着数据包含会掩盖真实信号的随机波动。该团队通过在训练数据中加入人工噪声来测试他们的模型，教会计算机忽略静电干扰并专注于潜在的模式。他们发现，通过这种额外的训练，即使测试数据受到严重的噪声干扰，模型依然保持稳健。此外，该模型展现出了惊人的泛化能力。它不仅在看起来与之前见过的数据完全一致的数据上表现良好，而且在底层条件（如无序强度或能量窗口大小）略有不同的数据上也表现出色。这表明该模型学习的是景观与电子模式之间的基本关系，而不仅仅是死记硬背特定的例子。
这项工作对一种被称为扫描隧道显微术（scanning tunneling microscopy）的强大成像技术具有直接意义，该技术允许科学家在原子尺度上观察材料的表面。这种显微镜测量局域态密度，生成关于电子如何在表面分布的详细图像。目前，科学家使用这些图像来发现缺陷或特定的原子排列，但从这些图像中提取完整的能量景观一直是一个难题。这种新方法表明，这些相同的图像可以被用来揭示样本完整的、未知的能量景观。这将允许研究人员模拟材料在不同条件下的行为，例如暴露在磁场中或温度变化下，而无需预先知道原子结构。虽然目前的研究侧重于简单的、非相互作用的系统，但该方法的成功为将类似技术应用于更复杂的材料开辟了大门，有望改变科学家分析和设计未来材料的方式。
技术摘要：利用神经网络从局部态密度重构哈密顿量
问题陈述 V ( r ) V(\mathbf{r}) V ( r ) H H H ρ E ( r ) \rho_E(\mathbf{r}) ρ E ( r ) V ( r ) V(\mathbf{r}) V ( r )
方法论 H = − t ∑ ⟨ r r ′ ⟩ c r † c r ′ + ∑ r V ( r ) c r † c r 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} H = − t ⟨ r r ′ ⟩ ∑ c r † c r ′ + r ∑ V ( r ) c r † c r V ( r ) V(\mathbf{r}) V ( r )
数据生成： 通过从具有特定相关长度 (ξ \xi ξ V 0 V_0 V 0 V ( r ) V(\mathbf{r}) V ( r ) E E E 预处理： 对输入的 LDOS 和目标势能均进行归一化处理（零均值、单位标准差），以利于训练。模型架构： 核心方法采用了图像到图像的卷积神经网络（CNN） 。与将图像映射到类别标签的标准分类 CNN 不同，这些模型将输入图像（LDOS）直接映射到输出图像（重构的势能）。
1D 模型使用带有 ReLU 激活函数的卷积层。
2D 模型在每两层引入残差（跳跃）连接，以改善梯度流和性能。
网络不使用池化层或全连接层，从而保留空间分辨率。
训练目标： 模型通过最小化归一化预测势能与真实势能之间的均方误差（MSE）来进行训练。基准测试： 将性能与单参数拟合（V ~ ∝ ρ ~ n \tilde{V} \propto \tilde{\rho}^n V ~ ∝ ρ ~ n k k k k k k
关键结果
重构精度：
1D 情况： CNN 实现的测试集 MSE 损失 (L L L 0.016 ，显著优于单参数拟合（L ≈ 0.995 L \approx 0.995 L ≈ 0.995 k k k k = 10 k=10 k = 10 L ≈ 0.707 L \approx 0.707 L ≈ 0.707 2D 情况： CNN 实现的测试集 MSE 损失约为 4.6 × 10 − 3 4.6 \times 10^{-3} 4.6 × 1 0 − 3 k k k L ≈ 0.623 L \approx 0.623 L ≈ 0.623
对噪声的鲁棒性：
模型表现出内在的噪声容忍度；即使没有进行特定的正则化，2D 模型在面对高达 20% 的相关测试噪声时仍能保持低误差（L < 0.1 L < 0.1 L < 0.1
噪声正则化： 在训练数据中特意添加合成的相关高斯噪声（训练噪声）起到了正则化的作用。一个在信噪比（SNR）= 1 的噪声下训练的模型，即使在测试噪声水平接近信号振幅（σ / σ ρ ≈ 1 \sigma/\sigma_\rho \approx 1 σ / σ ρ ≈ 1 L < 0.05 L < 0.05 L < 0.05
泛化能力（分布外）：
模型能够泛化到训练期间未见过的参数偏移。当在不同于训练分布的无序振幅 (V 0 V_0 V 0 ξ \xi ξ L ≲ 0.1 L \lesssim 0.1 L ≲ 0.1
可学习性分析：
重构质量与谱密度或本征态定位长度并非严格相关。性能在能谱边缘和中间部分有所下降，这表明特定的光谱特征会影响可学习性。
意义与主张 可行且可处理 的逆问题。
实际效用： 作者提出，该方法可以应用于**扫描隧道显微镜（STM）**数据。由于 STM 以亚埃级分辨率测量微分电导（与 LDOS 成正比），训练好的模型理论上可以反演这些图像，从而揭示样品潜在的未知能量景观（势能 V ( r ) V(\mathbf{r}) V ( r ) 应用场景： 这种重构使得需要已知势能才能进行的下游物理量计算（如输运系数、磁响应）成为可能。作者特别提到，该方法在研究表面重构 （例如 Si(111) 或 Au(111) 上复杂的原子图案）方面具有潜力，因为这些表面的能量景观既复杂又非周期性。数据效率： 模型在相对较小的数据集（2D 情况下为 1,200 个样本）上即可实现高精度，这表明即使在生成大量训练数据成本很高的情况下（例如存在电子-电子相互作用的系统），该方法也可能是可行的。局限性： 作者谦虚地指出，对于缺陷密度较低的高度规则表面，问题空间是“低维”的，简单的回归或人工观察可能就足够了，这限制了机器学习在这些特定情况下的优势。目前的工作仅限于非相互作用的单轨道紧束缚模型。
总之，这项工作证明了对于特定的分布，近似求解哈密顿量重构问题是存在的，并展示了图像到图像的 CNN 如何以高精度和鲁棒性解决这一逆问题，从而弥合了实验 LDOS 图谱与理论哈密顿量描述之间的鸿沟。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。