Phase Diagram from Nonlinear Interaction between Superconducting Order and Density: Toward Data-Based Holographic Superconductor

要約

ホログラフィック超伝導体のモデリングにおける逆の問題に対処します。
実験によって描かれた重要な温度挙動に研究を焦点を当てています。
物理学に基づいたニューラルネットワーク法を使用して、質量遷移挙動を理解するために必要な質量関数$ m（f^2）$を見つけます。
この質量関数は、超伝導秩序と電荷キャリア密度の間の非線形相互作用を表します。
アルゴリズムの学習プロセスを改善するために位置埋め込み層を導入し、ADAMの最適化を使用して、適切な精度でホログラフィック計算を介して重要な温度データを予測します。
位置埋め込み層の考慮は、人工知能（AI）フィールドでの自然言語処理の変圧器モデルによって動機付けられています。
実際のデータによって提供される通常と超伝導相の境界線を再現するホログラフィックモデルを取得します。
私たちの仕事は、実験から定量的に得られた位相遷移データを一致させる最初のホログラフィックの試みです。
また、現在の作業は、データベースのホログラフィックモデルの新しい方法論を提供します。

要約(オリジナル)

We address an inverse problem in modeling holographic superconductors. We focus our research on the critical temperature behavior depicted by experiments. We use a physics-informed neural network method to find a mass function $M(F^2)$, which is necessary to understand phase transition behavior. This mass function describes a nonlinear interaction between superconducting order and charge carrier density. We introduce positional embedding layers to improve the learning process in our algorithm, and the Adam optimization is used to predict the critical temperature data via holographic calculation with appropriate accuracy. Consideration of the positional embedding layers is motivated by the transformer model of natural-language processing in the artificial intelligence (AI) field. We obtain holographic models that reproduce borderlines of the normal and superconducting phases provided by actual data. Our work is the first holographic attempt to match phase transition data quantitatively obtained from experiments. Also, the present work offers a new methodology for data-based holographic models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google