[論文レビュー] Hidden self-energies as origin of cuprate superconductivity revealed by machine learning

Youhei Yamaji, T. Yoshida+2 more|arXiv (Cornell University)|Mar 19, 2019

Physics of Superconductivity and Magnetism参考文献 99被引用数 24

ひとこと要約

本論文は、ボルツマンマシンを用いた機械学習的手法を導入し、銅酸化物超伝導体の角度分解光電子分光法（ARPES）データから、隠れた正規および異常自己エネルギーを抽出する。その結果、従来の全スペクトル関数に埋もれていた異常自己エネルギーに顕著なピーク構造が存在することが判明し、これが超伝導ギャップの90％以上を駆動していることが明らかになった。これは高温超伝導の主因であると特定された。

ABSTRACT

Experimental data are the source of understanding matter. However, measurable quantities are limited and theoretically important quantities are sometimes hidden. Nonetheless, recent progress of machine-learning techniques opens possibilities of exposing them only from available experimental data. In this paper, after establishing the reliability of the method in various careful benchmark tests, the Boltzmann-machine method is applied to the angle-resolved photoemission spectroscopy spectra of cuprate high temperature superconductors, Bi$_2$Sr$_2$CuO$_{6+\delta}$ (Bi2201) and Bi$_2$Sr$_2$CaCuO$_{8+\delta}$ (Bi2212). We find prominent peak structures both in normal and anomalous self-energies, but they cancel in the total self-energy making the structure apparently invisible, while the peaks make universally dominant contributions to superconducting gap, hence evidencing the signal that generates the high-$T_{ m c}$ superconductivity. The relation between superfluid density and critical temperature supports involvement of universal carrier relaxation associated with dissipative strange metals, where enhanced superconductivity is promoted by entangled quantum-soup nature of the cuprates. The present achievement opens avenues for innovative machine-learning spectroscopy method to reveal fundamental properties hidden in direct experimental accesses.

研究の動機と目的

• 強い相関を持つ銅酸化物超伝導体において、正規および異常自己エネルギーを分離する長年の課題を克服すること。
• 限られた実験的ARPESデータから物理的に隠された量を推定できる機械学習手法を開発すること。
• 直接測定では見えない自己エネルギー成分を再構築することで、高温超伝導の真の起源を特定すること。
• 量子材料における基本的電子的性質を解き明かすための新しいデータ駆動型分光法フレームワークを確立すること。

提案手法

• ボルツマンマシンに基づく機械学習を用い、スペクトル関数を逆問題として解き、ARPESデータから正規自己エネルギー（Σnor）および異常自己エネルギー（Σano）を再構築する。
• 二段階最適化手順を採用：内側ループで訓練誤差を最小化し、外側ループでテスト誤差を最小化するとともに物理的制約を適用する。
• ダイソン方程式を介して自己エネルギーとスペクトル関数の既知の関係を強制することで、物理的整合性を確保する。
• 人工ニューラルネットワーク（ANN）を用いて、エネルギーωの連続関数としてΣnor(k, ω)およびΣano(k, ω)をモデル化する。
• 既知の自己エネルギーを持つ単純な金属およびBCS超伝導体を用いた厳密なベンチマークテストにより、手法の妥当性を検証する。
• 解析性および因果律といった物理的事前知識を組み込み、物理的に意味のある再構築を保証する。

実験結果

リサーチクエスチョン

• RQ1 測定不能な正規および異常自己エネルギーを、ARPESスペクトルから機械学習が信頼性を持って抽出できるか？
• RQ2 異常自己エネルギーが全スペクトル関数に埋もれているにもかかわらず、銅酸化物における超伝導ギャップの真の起源は何か？
• RQ3 再構築された自己エネルギーは、異なる銅酸化物系におけるTcの変動をどのように説明できるか？
• RQ4 自己エネルギー内のピーク構造は、超伝導性密度およびスラング・メタル行動とどの程度相関しているか？
• RQ5 この手法は、高温超伝導体におけるエンタングルド・ケイシク・スープ的挙動を含む普遍的な量子多体効果を明らかにできるか？

主な発見

• 異常自己エネルギー（Σano）に顕著なピーク構造が特定され、これは正規自己エネルギーとのキャンセルにより全スペクトル関数では見えない。
• このΣano内のピーク構造が、超伝導ギャップの90％以上を占め、高温超伝導の主因であると特定された。
• 正規自己エネルギー（Σnor）にも顕著なピーク構造が存在し、強い電子相関効果を示している。
• 抽出された自己エネルギーは、超伝導性密度とTcの強い相関を示し、スラング・メタル挙動における普遍的キャリア緩和の役割を支持する。
• 結果は、異常自己エネルギーのピークが媒介するエンタングルド・ケイシク・スープ的性質が、銅酸化物における強化された超伝導性の根源であるというシナリオを支持する。
• 既知の系を用いたベンチマークテストにより、高い忠実度で隠れた自己エネルギーが再構築されたことが検証された。