[论文解读] Analysis of Topological Transitions in Two-dimensional Materials by Compressed Sensing

Carlos Mera Acosta, Runhai Ouyang+4 more|arXiv (Cornell University)|May 28, 2018

Advanced Mathematical Modeling in Engineering参考文献 1被引用 12

一句话总结

本研究提出了一种基于压缩感知的机器学习框架，用于识别220种功能化二维蜂窝材料中拓扑$Z_2$不变量的最小、物理可解释描述符。该方法实现了可预测的‘材料图’，对金属、平凡绝缘体和量子自旋霍尔绝缘体（QSHIs）进行分类，发现了45个新的QSHI候选材料，并在无需进一步从头计算的情况下，成功预测了74种新发现的QSHI，适用于另一类不同的材料体系。

ABSTRACT

Quantum spin-Hall insulators (QSHIs), i.e., two-dimensional topological insulators (TIs) with a symmetry-protected band inversion, have attracted considerable scientific interest in recent years. In this work, we have computed the topological Z2 invariant for 220 functionalized honeycomb lattices that are isoelectronic to functionalized graphene. Besides confirming the TI character of well-known materials such as functionalized stanene, our study identifies 45 yet unreported QSHIs. We applied a compressed-sensing approach to identify a physically meaningful descriptor for the Z2 invariant that only depends on the properties of the material's constituent atoms. This enables us to draw a map of materials, in which metals, trivial insulators, and QSHI form distinct regions. This analysis yields fundamental insights in the mechanisms driving topological transitions. The transferability of the identified model is explicitly demonstrated for an additional set of honeycomb lattices with different functionalizations that are not part of the original set of 220 graphene-type materials used to identify the descriptor. In this class, we predict 74 more novel QSHIs that have not been reported in literature yet.

研究动机与目标

• 通过统计学习方法，从原子性质中识别出二维蜂窝材料中$Z_2$拓扑不变量的最小、物理上有意义的描述符。
• 通过用快速、数据驱动的模型替代计算成本高昂的从头计算$Z_2$计算，克服其计算开销。
• 基于原子级性质，构建一个可预测的‘材料图’，以区分金属、平凡绝缘体和QSHIs。
• 通过在未包含在训练集中的新一组蜂窝材料上预测拓扑相，验证模型的可转移性。
• 揭示驱动拓扑相变的物理机制，特别是弱自旋-轨道耦合下轨道相互作用在能带反转中的作用。

提出的方法

• 应用基于SISSO（Sure Independence Screening and Sparsifying Operator）算法的压缩感知框架，从电离势、电子亲和能、轨道半径和Kohn-Sham本征值等原子性质中推导出最小描述符。
• 通过在原子描述符上应用代数运算（如求和、乘积）至复杂度截止值，为每种化合物生成$N$个候选特征。
• SISSO方法选择与$Z_2$不变量最相关的特征，随后通过稀疏化算子识别出能完美分类训练集（176个化合物）的最小特征集（$ ext{dim}( ext{representation}) = 2$）。
• $Z_2$不变量通过FHI-aims代码中考虑自旋-轨道耦合的电荷中心Wannier演化方法进行从头计算，本征值收敛标准为<1 meV。
• 在20%的测试集（44个化合物）上验证模型，并在一组包含74个不同功能化的蜂窝材料的新材料集上测试其可转移性。
• 所得的二维描述符图可视化了金属、平凡绝缘体和QSHIs的独立区域，其坐标轴由原子性质的非线性组合定义。

实验结果

研究问题

• RQ1 能否仅从原子性质中学习到一个最小且物理可解释的描述符，以预测二维拓扑绝缘体中的$Z_2$不变量？
• RQ2 轨道相互作用和弱自旋-轨道耦合在轻元素体系中实现能带反转和拓扑相变中起什么作用？
• RQ3 在一类二维蜂窝材料上训练的压缩感知模型，能在多大程度上预测另一类未见材料体系中的拓扑相？
• RQ4 所得描述符轴如何与底层电子结构和拓扑机制相关联？
• RQ5 该模型能否在无需额外从头计算的情况下识别出新的QSHI候选材料？

主要发现

• 本研究在220种功能化二维蜂窝材料中识别出45个此前未报告的量子自旋霍尔绝缘体（QSHIs），包括比以往考虑的更轻元素的体系。
• 推导出一个仅依赖于原子性质（如电离势、轨道半径、Kohn-Sham能级）的二维描述符，实现了可预测的‘材料图’，能将金属、平凡绝缘体和QSHIs清晰地区分。
• 该模型仅用两个描述符分量即实现了对训练集的完美分类，证明了最小且可解释的拓扑序表征是可能的。
• 描述符揭示，即使在轻元素材料中，轨道相互作用（尤其是中等自旋-轨道耦合体系）也能驱动能带反转和拓扑相变。
• 该模型在另一组具有不同功能化的蜂窝材料中成功预测了74个额外的新QSHI候选材料，证实其无需微调即可实现可转移性。
• 该方法通过用快速、解析的描述符评估替代昂贵的从头计算$Z_2$计算，显著减少了计算需求，实现了对拓扑材料的高通量筛选。