[论文解读] 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 24

一句话总结

本文提出一种基于玻尔兹曼机的机器学习方法，从铜氧化物超导体的角分辨光电子能谱（ARPES）数据中提取隐藏的正常自能和异常自能。结果表明，异常自能中一个显著的峰结构——此前在总谱函数中被掩盖——驱动了超过90%的超导能隙，揭示其为高温超导性的主要起源。

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.

研究动机与目标

• 为解决强关联铜氧化物超导体中正常与异常自能长期难以分离的挑战。
• 开发一种机器学习方法，能够从有限的实验ARPES数据中推断出物理上隐藏的物理量。
• 通过重建在直接测量中不可见的自能分量，揭示高温超导性的真正起源。
• 建立一种新型数据驱动的谱学框架，以揭示量子材料中基本电子性质。

提出的方法

• 应用基于玻尔兹曼机的机器学习方法，反演谱函数，从ARPES数据中重建正常自能（Σnor）和异常自能（Σano）。
• 采用两重优化流程：内层循环最小化训练误差，外层循环最小化测试误差并施加物理约束。
• 通过狄拉克方程强制施加自能与谱函数之间的已知关系，以确保物理一致性。
• 使用人工神经网络（ANNs）将Σnor(k, ω)和Σano(k, ω）建模为能量ω的连续函数。
• 通过在具有已知自能的简单金属和BCS超导体上进行严格基准测试，验证该方法的有效性。
• 引入物理先验条件，如解析性与因果性，以确保重建结果具有物理意义。

实验结果

研究问题

• RQ1 当正常与异常耦合自能无法直接测量时，机器学习能否可靠地从中提取ARPES谱中的自能？
• RQ2 鉴于异常自能被隐藏在总谱函数中，铜氧化物中超导能隙的真正起源是什么？
• RQ3 重构的自能如何解释不同铜氧化物体系中Tc的变化？
• RQ4 自能中的峰结构在多大程度上与超流密度和奇异金属行为相关？
• RQ5 该方法能否揭示高温超导体中普遍存在的量子多体效应，如纠缠的量子汤行为？

主要发现

• 在异常自能（Σano）中识别出一个显著的峰结构，由于与正常自能的抵消作用，该结构在总谱函数中不可见。
• Σano中的这一峰结构贡献了超过90%的超导能隙，确立其为高温超导性的主导驱动力。
• 正常自能（Σnor）也表现出显著的峰结构，表明存在强烈的电子关联效应。
• 提取的自能显示出超流密度与Tc之间存在强相关性，支持普遍载流子弛豫在奇异金属行为中的作用。
• 结果支持一种新情景：增强的超导性源于铜氧化物中由异常自能峰介导的纠缠量子汤特性。
• 该方法成功以高保真度重建了隐藏自能，其有效性通过在已知体系上的基准测试得到验证。