論文の概要: Determining band structure parameters of two-dimensional materials by
deep learning
- arxiv url: http://arxiv.org/abs/2210.06310v1
- Date: Wed, 12 Oct 2022 15:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 16:19:44.486122
- Title: Determining band structure parameters of two-dimensional materials by
deep learning
- Title(参考訳): 深層学習による二次元材料のバンド構造パラメータの決定
- Authors: Paul Henderson, Areg Ghazaryan, Alexander A. Zibrov, Andrea F. Young,
Maksym Serbyn
- Abstract要約: 複素材料のバンド構造パラメータの決定は、定量理論に必要な主要な要素である。
本稿では,ディープニューラルネットワークを用いた実験データからバンド構造パラメータを決定するための一般的なフレームワークを提案する。
- 参考スコア(独自算出の注目度): 64.03757739857417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of two-dimensional materials has mastered the fabrication and
characterisation of a broad range of novel high-quality compounds that feature
increasing complexity. Determination of the band structure parameters of such
complex materials is a major ingredient required for quantitative theory. This
task currently presents a formidable challenge: ab initio methods often do not
provide quantitatively accurate values of parameters, whereas inferring band
structure parameters from experiments is hindered by the complexity of the band
structure and indirect nature of experimental probes. In this work we propose a
general framework for determination of band structure parameters from
experimental data based on deep neural networks. As a specific example we apply
our method to the penetration field capacitance measurement of trilayer
graphene that effectively probes its density of states. First, we demonstrate
that a trained deep network gives accurate predictions for the penetration
field capacitance as a function of tight-binding parameters. Next, we use the
fast and accurate predictions from the trained network to automatically
determine tight-binding parameters directly from experimental data, with
extracted parameters being in a good agreement with values in the literature.
We conclude by discussing potential applications of our method to other
materials and experimental techniques beyond penetration field capacitance.
- Abstract(参考訳): 二次元材料の分野は、複雑さを増す新しい高品質な化合物の製造と特性を習得してきた。
このような複合材料のバンド構造パラメータの決定は、定量的理論に必要な主要な要素である。
ab initio法はパラメータの定量的に正確な値を提供しないことが多いが、実験からバンド構造パラメータを推測することは、バンド構造の複雑さと実験プローブの間接的性質によって妨げられている。
本研究では,深層ニューラルネットワークに基づく実験データからバンド構造パラメータを決定する汎用フレームワークを提案する。
具体的な例として, この手法を三層グラフェンの浸透場容量測定に適用し, その状態密度を効果的に測定する。
まず,訓練された深層ネットワークが,強結合パラメータの関数として浸透場容量の正確な予測を行うことを示す。
次に、学習したネットワークからの高速かつ正確な予測を用いて、実験データから直接密結合パラメータを判定し、抽出されたパラメータを文献の値とよく一致させる。
提案手法の他の材料への応用の可能性, 浸透電界容量を超える実験技術について論じる。
関連論文リスト
- Identifying Constitutive Parameters for Complex Hyperelastic Materials
using Physics-Informed Neural Networks [0.0]
軟質材料の材料パラメータの同定を目的とした,堅牢なPINNベースのフレームワークを提案する。
本モデルでは,マルチモーダル合成実験データセットを用いたPINNのトレーニングを強調した。
以上の結果から, PINN フレームワークは, 複雑なジオメトリーを持つ試料に対する圧縮不能な Arruda-Boyce モデルのパラメータを正確に同定し, 5% 未満の誤差を維持することができることがわかった。
論文 参考訳(メタデータ) (2023-08-29T21:25:24Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Information Bottleneck Analysis of Deep Neural Networks via Lossy
Compression [55.41644538483948]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。
本稿では,一般NNのICB解析のための包括的フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-13T21:44:32Z) - Physics-informed neural networks for gravity currents reconstruction
from limited data [0.0]
本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。
PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
論文 参考訳(メタデータ) (2022-11-03T11:27:29Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Towards Reflectivity profile inversion through Artificial Neural
Networks [0.0]
スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。
本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
論文 参考訳(メタデータ) (2020-10-15T10:09:09Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳(メタデータ) (2020-07-31T17:25:12Z) - On Deep Instrumental Variables Estimate [21.003925102068298]
ディープインスツルメンタル変数(IV)は、内在性に対処するディープニューラルネットワークに基づくフレームワークである。
線形インスツルメンタル変数モデルにおいて,ディープニューラルネットワークを用いた2段階推定器について検討する。
2段推定器が半パラメトリック効率境界を達成することを示す。
論文 参考訳(メタデータ) (2020-04-30T17:03:00Z) - Latent Network Structure Learning from High Dimensional Multivariate
Point Processes [5.079425170410857]
本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。
効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。
シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
論文 参考訳(メタデータ) (2020-04-07T17:48:01Z) - Understanding Generalization in Deep Learning via Tensor Methods [53.808840694241]
圧縮の観点から,ネットワークアーキテクチャと一般化可能性の関係について理解を深める。
本稿では、ニューラルネットワークの圧縮性と一般化性を強く特徴付ける、直感的で、データ依存的で、測定が容易な一連の特性を提案する。
論文 参考訳(メタデータ) (2020-01-14T22:26:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。