Seeing the Invisible: Machine learning-Based QPI Kernel Extraction via Latent Alignment

要約

準粒子干渉（QPI）イメージングは​​、量子材料の電子構造を調査するための強力なツールですが、マルチスカッカー画像から単一散乱QPIパターン（つまり、カーネル）を抽出するための強力なツールです。
この作業では、QPIカーネル抽出のための最初のAIベースのフレームワークを提案します。
観測からカーネルへの推論から学習をカーネル表現を分離する2段階の学習戦略を紹介します。
最初のステップでは、バリエーションオートエンコーダーを訓練して、散乱カーネルのコンパクトな潜在スペースを学習します。
2番目のステップでは、QPI観測の潜在的な表現を、専用エンコーダーを使用して、事前に学習したカーネルの潜在表現と整列させます。
この設計により、モデルは、複雑で絡み合った散乱条件下でも核心を堅牢に推測できます。
100個の一意のカーネルで構成される多様で物理的に現実的なQPIデータセットを構築し、直接のワンステップベースラインに対して方法を評価します。
実験結果は、私たちのアプローチが抽出の精度が大幅に高いことを実証し、目に見えないカーネルへの一般化を改善したことを示しています。

要約(オリジナル)

Quasiparticle interference (QPI) imaging is a powerful tool for probing electronic structures in quantum materials, but extracting the single-scatterer QPI pattern (i.e., the kernel) from a multi-scatterer image remains a fundamentally ill-posed inverse problem. In this work, we propose the first AI-based framework for QPI kernel extraction. We introduce a two-step learning strategy that decouples kernel representation learning from observation-to-kernel inference. In the first step, we train a variational autoencoder to learn a compact latent space of scattering kernels. In the second step, we align the latent representation of QPI observations with those of the pre-learned kernels using a dedicated encoder. This design enables the model to infer kernels robustly even under complex, entangled scattering conditions. We construct a diverse and physically realistic QPI dataset comprising 100 unique kernels and evaluate our method against a direct one-step baseline. Experimental results demonstrate that our approach achieves significantly higher extraction accuracy, and improved generalization to unseen kernels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google