Near-field maps of topological edge states of molecular aggregates
本文表明，空间分辨近场光谱技术结合卷积神经网络，能够稳健地重建分子聚集体中拓扑边缘态的复杂空间结构，从而克服了传统远场光学探针的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在材料科学的微观世界中，研究人员经常寻找控制能量如何在结构中移动的方法。想象一群人正在传递一条秘密信息；在某些排列方式下，信息会卡在中间，而在另一些排列中，信息则会沿着边缘毫不费力地流动。这种行为被称为拓扑学，这是数学中的一个概念，描述了形状和连接如何即使在被扭曲或拉伸时也能保持其结构。在分子物理学领域，科学家们发现某些分子的排列可以创造出“边缘态”，即能量被困在材料的边界处，从而免受可能破坏中心结构的混沌与无序的影响。这些状态对于未来的技术具有广阔的前景，因为它们可以实现高效且稳健的能量传输，但它们却极难被观测到。传统的远距离观察材料的方法往往无法揭示这些边缘态，因为信号过于微弱，且距离会模糊能量的具体位置。
来自马克斯·普朗克复杂系统物理研究所和德累斯顿工业大学的研究小组发现了一种方法，可以通过近场光谱的理论模型直接窥视这些隐藏的状态。他们不再模拟从远处照射的光，而是模拟一个悬浮在扁平分子片上方仅几纳米处的微小针状探针。这个探针就像一只灵敏的耳朵，在扫描表面时倾听分子的能量状态。研究人员专注于一种特定类型的分子片，由金属卟啉或金属酞菁组成，这些是能够承载能量的环状分子。通过在模拟中施加强磁场，他们迫使这些分子以一种非常特定的方式运行，从而创造了一种复杂的相互作用，这种相互作用自然地导致了这些受保护的边缘态的形成。
当研究人员模拟将探针在分子片上进行扫描时，他们预期会看到一张显示能量最可能出现位置的简单地图。然而，结果却要复杂得多。他们生成的图谱看起来并不像能量位置的直观图像。相反，信号显示出奇怪的干涉模式，伴随着看似与能量实际分布相矛盾的亮点和暗点。在某些情况下，即使能量实际上分布在整个边界上，信号在边缘的一侧很强，而在另一侧却很弱。这是因为这些分子中的能量是由包含大小和相位（类似于波的高低）的复数来描述的。当探针与这些波发生相互作用时，相位会混合在一起，产生一种掩盖了能量真实位置的模式。
为了解决这个谜题，研究人员求助于人工智能领域中一种强大的工具——卷积神经网络。这是一种旨在识别图像模式的计算机程序，类似于人类大脑学习识别面孔的方式。团队利用数千张模拟图谱训练了这个计算机程序，教它如何看透混乱的干涉模式，并推导出能量状态的底层结构。他们通过向程序输入包含随机噪声的图谱来测试它，以模拟现实实验中存在的缺陷和误差。令人惊叹的是，即使输入数据杂乱且不完整，计算机仍能以极高的准确度重建能量状态的完整、复杂描述。它成功识别了定义能量如何在分子间分布的具体系数，有效地逆转了探针所造成的混乱过程。
这项研究表明，虽然来自近场光谱的原始数据可能具有误导性，但只要分析得当，其中就包含了理解这些奇异状态所需的所有信息。研究人员展示了该方法即使在信号微弱或数据被噪声破坏时依然有效，这表明该方法可以用于现实实验室中研究拓扑材料。他们还指出，虽然目前的工作依赖于模拟以及涉及强磁场的特定设置，但其原理可以扩展到其他类型的分子排列，甚至可以扩展到激发分子的不同方式，例如使用电流而非光。通过将精确的物理测量与机器学习相结合，该团队为探索拓扑边缘态这一隐藏世界开启了一扇新的窗口，将一片混乱的信号模糊转化为一幅清晰的物质边缘能量行为图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。