[論文レビュー] Molecular Hamiltonian learning from setpoint-dependent scanning tunneling spectroscopy

Greta Lupi, Adolfo O. Fumega+4 more|arXiv (Cornell University)|Jan 27, 2026

Surface Chemistry and Catalysis被引用数 0

ひとこと要約

要約: 本論文は分子ハミルトニアン学習を導入し、単一吸着分子のミクロなハミルトニアンパラメータをセットポイント依存のSTM-IETSスペクトルから推定する監督付きMLアプローチを提案。FePc on SnTeで実証。

ABSTRACT

Molecular quantum magnets adsorbed on surfaces exhibit rich spin and orbital excitations that can be probed by scanning tunneling microscopy with inelastic electron tunneling spectroscopy (STM-IETS). However, the quantitative extraction of the underlying multiorbital Hamiltonian from experimental spectra remains a fundamental challenge. Here, we introduce molecular Hamiltonian learning, a machine learning strategy that infers the microscopic Hamiltonian parameters of a single adsorbed molecule directly from the setpoint-dependence of STM-IETS data. The method leverages the systematic evolution of spectral features as the STM tip tunes the local electrostatic environment for different tip-sample distances. We demonstrate this approach on iron phthalocyanine on ferroelectric SnTe, training our algorithm on theory spectra from a realistic multiorbital model, including spin-orbit coupling, electrostatic interactions, local crystal field, and substrate effects. The algorithm, trained solely on theoretical many-body simulations, allows reconstructing Hamiltonian parameters directly from experimental spectra. Our manuscript establishes a flexible and automated strategy for Hamiltonian reconstruction from STM-IETS, transforming setpoint-dependent spectroscopy into quantitative characterization of quantum materials at the atomic scale.

研究の動機と目的

• STM-IETSデータから多軌道ハミルトニアンを定量的に抽出する動機づけ。
• ハミルトニアンパラメータを推定するためにセットポイント依存スペクトroscopyを用いる学習フレームワークを提案。
• FePc on a ferroelectric SnTe基板でのパラメータ再構成を実証。
• スピン反転と軌道コトゥーニリング寄与を分離できることを示す。
• 単一分子に対する界面効果のデータ駆動マッピングへの道を提供。

提案手法

• 分子を晶場・クーロン相互作用・SOCを含む多軌道ハミルトニアンでモデリング。
• 晶場をセットポイント非依存項とチップ依存項に分解し、チップ-試料距離で制御される調整可能なスタークシフトを設定。
• スピン反転・軌道コトゥーニリングチャネルのダイナミカル関連量に基づく非弾性STM-IETSスペクトルを計算。
• 現実的なパラメータ範囲でのスペクトルの理論ベースの訓練データセットを生成し、スペクトルをハミルトニアンパラメータに写像するニューラルネットを訓練。
• ネットワークがパラメータを復元できるかを評価するためにガウスノイズを加えて頑健性を検証。
• 訓練済みモデルを実験的FePc on SnTeデータに適用してtauやlambda_SOCなどのパラメータを抽出。

実験結果

リサーチクエスチョン

• RQ1 セットポイント依存STM-IETSスペクトroscopyを用いて単一分子のミクロなハミルトニアンパラメータを正確に推定できるか？
• RQ2 FePc on SnTeにおけるSTM-IETS特徴を支配する主なハミルトニアンパラメータ（晶場、SOC、基板誘起混成、スタークウィンドウ）とは何か？
• RQ3 実験ノイズやセットポイントと軌道エネルギー間の写像不確実性に対してハミルトニアン学習はどれくらい頑健か？
• RQ4 観測スペクトル中のスピン反転と軌道コトゥーニリング寄与を分離できるか？
• RQ5 learned ハミルトニアンは基板効果（対称性破れ・近接起こすSOCなど）をどのように反映するか？

主な発見

• ニューラルネットは理論データ上で低ノイズ時に高忠実度でハミルトニアンパラメータを再構成（Fが0に近い）.
• セットポイント依存スペクトroscopyにより晶場・SOC・基板誘起の対称性破れパラメータをスペクトルから抽出可能。
• FePc on SnTeへの適用結果、tau ≈ 0.098 eV、lambda_SOC ≈ 0.080 eV、SOCは界面結合により強化。
• 手法はスピン反転と軌道コトゥーニリング寄与を分離し、実験で3つの励起分岐を明らかにし、そのうち1つを軌道コトゥーニリングに帰属。
• アプローチは推定ハミルトニアンパラメータからダイナミカル関連量子を再構成し、d2I/dV2スペクトル全体を再構成可能。
• 戦略は合成ノイズの増加に対して頑健であり、セットポイントからエネルギーシフトを learned window [epsilon_min, epsilon_max] で写像。