論文の概要: Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene
- arxiv url: http://arxiv.org/abs/2210.06310v2
- Date: Mon, 18 Sep 2023 08:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 01:32:01.920106
- Title: Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene
- Title（参考訳）: 状態密度からのバンド構造パラメータの深層抽出:三層グラフェンを例として
- Authors: Paul Henderson, Areg Ghazaryan, Alexander A. Zibrov, Andrea F. Young,
Maksym Serbyn
- Abstract要約: 包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。
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導出する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）: 45.61296767255256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of two-dimensional materials has resulted in a diverse range
of novel, high-quality compounds with increasing complexity. A key requirement
for a comprehensive quantitative theory is the accurate determination of these
materials' band structure parameters. However, this task is challenging due to
the intricate band structures and the indirect nature of experimental probes.
In this work, we introduce a general framework to derive band structure
parameters from experimental data using deep neural networks. We applied our
method to the penetration field capacitance measurement of trilayer graphene,
an effective probe of 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）: 2次元材料の開発は、複雑さを増す新しい高品質な化合物の多様さをもたらした。
包括的定量理論の重要な要件は、これらの材料のバンド構造パラメータの正確な決定である。
しかし、この課題は、複雑なバンド構造と実験プローブの間接的性質のために困難である。
本研究では,深層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導出する汎用フレームワークを提案する。
本手法を三層グラフェンの透過電界容量測定に応用し, その状態密度の有効プローブとした。
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
- SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。
伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。
この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
論文 参考訳（メタデータ） (2024-07-10T08:40:07Z) - High-Resolution Detection of Earth Structural Heterogeneities from Seismic Amplitudes using Convolutional Neural Networks with Attention layers [0.31457219084519]
本稿では,CNN(Convolutional Neural Networks)とアテンション層を組み合わせた構造的不均一性検出のための効率的で費用対効果の高いアーキテクチャを提案する。
我々のモデルは最先端技術と比較して半分のパラメータを持ち、IoU(Intersection over Union)では0.6%、精度は0.4%という従来の手法よりも優れています。
論文 参考訳（メタデータ） (2024-04-15T22:49:37Z) - 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) - 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) - Quantum probes for the characterization of nonlinear media [50.591267188664666]
本研究では, 非線形結合 $tildelambda$ および非線形性次数 $zeta$ の個人および共同推定をいかに改善するかを検討する。
量子プローブは非線形媒体のキャラクタリゼーションの精度を高めるための資源であり、現在の技術による潜在的な応用を予見する。
論文 参考訳（メタデータ） (2021-09-16T15:40:36Z) - 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) - 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。