[論文レビュー] Machine learning spectral indicators of topology

Nina Andrejevic, Jovana Andrejevic+8 more|arXiv (Cornell University)|Mar 2, 2020

Topological Materials and Phenomena参考文献 43被引用数 9

ひとこと要約

本稿では、X線吸収端近接構造（XANES）スペクトルから直接的にトポロジカル材料の分類を予測する機械学習フレームワークを提案している。トポロジカルクラスでは89%、トレヴィアスクラスでは93%のF1スコアを達成した。10,000種類以上の無機材料の計算済みXANESスペクトルを用いて訓練されたニューラルネットワークにより、表面感受性や複雑な手法（例：ARPES や量子輸送）の制限を回避し、クリスタル構造が非剥離可能またはアモルファスな材料を含むトポロジカル相の高スループットで実験に適合するスクリーニングが可能になった。実験的および計算的スペクトルの間で強い一致が確認された。

ABSTRACT

Topological materials discovery has emerged as an important frontier in condensed matter physics. While theoretical classification frameworks have been used to identify thousands of candidate topological materials, experimental determination of materials' topology often poses significant technical challenges. X-ray absorption spectroscopy (XAS) is a widely-used materials characterization technique sensitive to atoms' local symmetry and chemical bonding, which are intimately linked to band topology by the theory of topological quantum chemistry (TQC). Moreover, as a local structural probe, XAS is known to have high quantitative agreement between experiment and calculation, suggesting that insights from computational spectra can effectively inform experiments. In this work, we leverage computed X-ray absorption near-edge structure (XANES) spectra of more than 10,000 inorganic materials to train a neural network (NN) classifier that predicts topological class directly from XANES signatures, achieving F$_1$ scores of 89% and 93% for topological and trivial classes, respectively. Additionally, we obtain consistent classifications using corresponding experimental and computational XANES spectra for a small number of measured compounds. Given the simplicity of the XAS setup and its compatibility with multimodal sample environments, the proposed machine learning-augmented XAS topological indicator has the potential to discover broader categories of topological materials, such as non-cleavable compounds and amorphous materials, and may further inform field-driven phenomena in situ, such as magnetic field-driven topological phase transitions.

研究の動機と目的

• 理論的予測により8,000例以上の候補が提示されているものの、実験的にトポロジカル材料を同定することが依然として困難であるという課題に対処すること。
• 表面感受性またはARPES や量子輸送といった複雑な手法に依存しないデータ駆動型の手法を開発すること。
• X線吸収スペクトロスコピー（XAS）を用いて、多様な試料環境に適合する、ボリュームプローブによるトポロジカル材料の高スループットスクリーニングを可能にすること。
• XANESスペクトルを用いて計算予測と実験的検証のギャップを埋めるために、ニューラルネットワーク分類器を訓練すること。

提案手法

• Materials Projectデータベースに収録された10,000種以上の無機材料の計算済みXANESスペクトルを用いて、深層ニューラルネットワーク分類器を訓練した。
• モデルのアーキテクチャは、256および64ニューロンを有する2つの全結合層、ReLU活性化関数、ドロップアウト（0.5）、およびバイナリ分類のためのシグモイド活性化出力層から構成されている。
• スペクトルは、線形バックグラウンドの差分処理、アークタンジェント関数によるフィッティング、単位強度へのスケーリング、および平均計算スペクトルと整合させるためのエネルギーシフト処理によって事前処理された。
• 実験的XANESスペクトルも同様に事前処理され、計算データセットの平均および標準偏差を用いて補間され、一貫性が保たれた。
• モデルはQuadro RTX 6000 GPU上でAdam最適化アルゴリズムを用い、バイナリクロスエントロピー損失関数で最適化された。
• 妥当性評価は、計算スペクトルおよび少数の実験的測定化合物を用いて実施され、分類結果が一貫していた。

実験結果

リサーチクエスチョン

• RQ1 XANESスペクトルは、無機材料における電子バンドトポロジーの信頼できるスペクトル指標として機能するか？
• RQ2 計算済みXANESスペクトルで訓練された機械学習モデルは、材料をトポロジカルまたはトレヴィアスとして正確に分類できるか？
• RQ3 事前処理を施した実験的XANESスペクトルが、計算スペクトルと比較された場合、どの程度一貫したトポロジカル分類を示すか？
• RQ4 このML補強型XAS手法により、従来の表面感受性手法にとどまらず、トポロジカル材料の高スループットスクリーニングが可能になるか？
• RQ5 XASのボリューム感受性および実験的耐久性を活かして、非剥離可能またはアモルファス材料におけるトポロジーの検出が可能になるか？

主な発見

• ニューラルネットワーク分類器は、計算済みXANESスペクトルからトポロジカル性を予測する際、トポロジカルクラスで89%、トレヴィアスクラスで93%のF1スコアを達成した。
• 実験的測定XANESスペクトルに適用した場合でも、分類性能が一貫しており、計算データと実世界データとの整合性が確認された。
• アークタンジェントフィッティングおよびエネルギー同期化を含む事前処理手順により、実験的および計算的スペクトル間のスケーリングおよび比較の一貫性が確保された。
• XASを用いたこの手法により、極端な環境を含む多様な試料環境に適合するトポロジカル材料の高スループットスクリーニングが可能になった。
• XASのマルチモーダル環境への適合性を活かし、外部場駆動トポロジカル相転移のイン・サイト研究の可能性も示された。
• 本フレームワークは、非剥離可能およびアモルファス化合物を含む、より広範なトポロジカル材料のカテゴリーの発見に実用的かつ実験的にアクセス可能な道筋を提供する。