[논문 리뷰] Machine Learning Study on the Flat-Band States Constructed by Molecular-Orbital Representation with Randomness

Takumi Kuroda, Tomonari Mizoguchi외 2명|arXiv (Cornell University)|2021. 11. 30.

Quantum and electron transport phenomena참고 문헌 42인용 수 8

한 줄 요약

이 연구는 분자 궤도(MO) 표현을 통해 구성된 무작위 평면-밴드 모델에서 파동함수를 분류하기 위해 컨volution 신경망(CNN)을 활용하며, 평면-밴드 상태가 확산 및 국소화 상태와는 다르게 고유하고 보편적인 특징을 보임을 보여준다. 이는 훈련 및 추론 시 사용하는 격자 구조가 다를 경우에도 성립한다. 주요 발견은 평면-밴드 상태가 격자 구조에 관계없이 변하지 않는 자주적 확률 밀도 분포를 유지함으로써, 무작위성에도 불구하고 강건하고 보편적인 국소화 패tern을 형성한다는 것이다.

ABSTRACT

We study the characteristic probability density distribution of random flat band models by machine learning. The models considered here are constructed on the basis of the molecular-orbital representation, which guarantees the existence of the macroscopically degenerate zero-energy modes even in the presence of randomness. We find that flat band states are successfully distinguished from conventional extended and localized states, indicating the characteristic feature of the flat band states. We also find that the flat band states can be detected when the target data are defined in the different lattice from the training data, which implies the universal feature of the flat band states constructed by the molecular-orbital representation.

연구 동기 및 목표

• macroscopically degenerate zero modes를 갖는 불순물 시스템에서 평면-밴드 상태의 보편적이고 특징적인 특징을 규명하는 것.
• 기계 학습이 다양한 격자 기하학에서 평면-밴드 상태를 분류할 수 있는지 조사하는 것.
• 평면-밴드 상태의 역참여 비율(IPR)의 척도 행동을 분석하고, 확산 및 국소화 상태와 비교하는 것.
• 무작위성에도 불구하고 구조적 변화가 있을 때 평면-밴드 상태의 파동함수 형태가 식별 가능한지 확인하는 것.

제안 방법

• 스핀이 없는 페르미온을 사용하여 카구메 및 셰이커보드 격자에서 무작위 분자 궤도(MO) 모델을 구성하며, 무작위성 하에서도 매크로스코픽으로 비슷한 0 모드의 디세너지가 유지되도록 한다.
• 원자 궤도의 선형 조합을 통해 생성된 MO 연산자를 사용하여 해밀토니안을 정의하며, 무작위 가중치는 정규 분포에서 추출한다.
• 중첩된 0 모드를 통해 고유상태(평면-밴드, 유한 에너지, 확산 상태)의 확률 밀도 분포를 파동함수 추적을 통해 계산한다.
• 2차원 확률 밀도 이미지를 사용하여 컨볼루션 신경망(CNN)을 훈련시켜 상태를 평면-밴드, 확산, 국소화 상태로 분류한다.
• 일반화 성능을 평가하기 위해 한 격자(예: 카구메)에서의 훈련 데이터를 다른 격자(예: 셰이커보드)의 테스트 데이터에 적용하여 교차 격자 간의 강건성 여부를 분석한다.
• 유한 크기 시스템에서 평면-밴드 상태와 확산 및 국소화 상태를 비교하기 위해 역참여 비율(IPR) 척도 행동을 분석한다.

실험 결과

연구 질문

• RQ1 무작위 MO 모델에서 평면-밴드 상태는 기저 격자 구조와 무관하게 보편적인 특징을 가지는가?
• RQ2 한 격자에서 훈련된 기계 학습 모델이 다른 격자에서의 평면-밴드 상태를 성공적으로 분류할 수 있는가?
• RQ3 평면-밴드 상태의 역참여 비율(IPR)은 시스템 크기와 어떻게 척도가 되며, 확산 및 국소화 상태와 비교해보면 어떠한가?
• RQ4 불순물 존재 하에서 평면-밴드 상태의 공간적 확률 밀도 분포는 확산 및 국소화 상태와 무엇으로 다를까?
• RQ5 매크로스코픽 디세너지가 유지되는 동안 평면-밴드 상태의 특징적인 특성은 무작위성에 강건한가?

주요 결과

• 평면-밴드 상태의 역참여 비율(IPR)은 열역학적 극한에서 확산 상태와 유사하게 시스템 크기와 척도가 되며, 이는 평면-밴드 상태가 확산 성질을 지닌다는 것을 시사한다.
• 이러한 확산 IPR 척도 행동에도 불구하고, 훈련된 CNN은 평면-밴드 상태를 확산 및 국소화 상태와 명확히 구분할 수 있었으며, 이는 고유한 초미세 특징을 드러낸다.
• CNN은 격자 유형 간 일반화가 가능하다: 카구메 격자 데이터로만 훈련된 모델이 셰이커보드 격자에서의 평면-밴드 상태를 정확히 분류한다.
• 평면-밴드 상태의 확률 밀도는 국소화 및 확산 상태의 더 매끄러운 프로파일과는 다름없는 자주적이고 비균일한 공간 분포를 보인다.
• 다양한 격자에서 평면-밴드 상태는 보편적인 형태적 특징을 유지하며, 이는 미세한 격자 세부 사항과 무관한 강건하고 내재된 특성임을 시사한다.
• 작은 불순물 강도(v ≲ 0.06)에서는 분류 정확도가 약간 감소하여, 평면-밴드 특징이 약한 국소화 효과로 인해 흐려지기 시작하는 전이 영역이 존재함을 시사한다.