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
- Identifying Constitutive Parameters for Complex Hyperelastic Solids
using Physics-Informed Neural Networks [0.0]
軟質材料の材料パラメータを識別するための新しいPINNベースのフレームワークを提案する。
複雑な地形を持つ試料の非圧縮性 Arruda-Boyce モデルのパラメータを正確に同定できる。
論文 参考訳（メタデータ） (2023-08-29T21:25:24Z) - NeuralSI: Structural Parameter Identification in Nonlinear Dynamical
Systems [9.77270939559057]
本稿では,構造同定のための新しいフレームワークであるNeuralSIについて検討する。
提案手法は, 制御方程式から非線形パラメータを推定することを目的とする。
トレーニングされたモデルは、標準条件と極端な条件の両方で外挿することもできる。
論文 参考訳（メタデータ） (2022-08-26T16:32:51Z) - Tunneling Gravimetry [58.80169804428422]
慣性センシングのための物質波Fabry-P'erot干渉計の実用化の可能性について検討する。
本研究では,2つの形状における加速度測定のためのトンネル型センサについて検討した。
論文 参考訳（メタデータ） (2022-05-19T09:22:11Z) - 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) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - 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)
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。