Disentangling coherent and incoherent effects in superconductor photoemission spectra via machine learning
Ключові слова:
photoemission spectroscopy, electronic band structure, high-temperature superconductors, convolutional neural networks, machine learningАнотація
Розмежування когерентних та некогерентних ефектів у спектрах фотоемісії сильно корельованих матеріалів зазвичай є складним завданням через залучення численних параметрів. У дослідженні використано методи машинного навчання, зокрема згорткові нейронні мережі (CNNs), для вирішення давньої проблеми двошарового розщеплення у надпровідних купратах. Продемонстровано ефективність навчання CNN на змодельованих спектрах та підтверджено попередні результати, які встановлюють наявність двошарового розщеплення по всьому діапазону легування. Крім того, показано, що величина розщеплення не зменшується при недостатньому легуванні, всупереч очікуванням. Цей підхід не лише підкреслює потенціал машинного навчання у вирішенні складних фізичних проблем, але й забезпечує надійну основу для вдосконалення аналізу електронних властивостей у корельованих надпровідниках.
