Обнаружение аномалий морфологии Ферми-поверхности в Co2MnGaxGe1-x с помощью интерпретируемого машинного обучения

Почему это важно для будущей электроники

Современные устройства всё чаще полагаются на материалы, в которых электроны ведут себя нетривиальным образом, что приводит к сверхэффективному хранению данных, датчикам с низким энергопотреблением и мощным квантовым технологиям. Эти свойства во многом контролируются тонкими особенностями «Ферми‑поверхности» — абстрактной картой того, как электроны движутся в твердом теле. В этой работе показано, как простая и интерпретируемая форма машинного обучения может автоматически обнаруживать необычные изменения в этих картинах, помогая учёным просеивать огромные наборы данных и быстрее выявлять перспективные электронные состояния.

Отслеживание скрытого ландшафта электронов

Внутри металла или полупроводника электроны занимают разрешённые энергетические уровни, которые можно визуализировать как поверхность в пространстве импульсов, называемую Ферми‑поверхностью. Её форма определяет ключевые свойства: насколько хорошо материал проводит электричество, насколько сильно он магнитен и как его электроны реагируют на тепло или магнитные поля. В некоторых материалах, используемых в спинтронике и топологической электронике, на Ферми‑поверхности могут появляться экзотические объекты, известные как узловые линии — непрерывные линии пересечения энергетических полос. Эти особенности могут вызывать сильные термоэлектрические отклики и почти полную поляризацию спинов электронов, что привлекательно для датчиков и запоминающих устройств следующего поколения. Однако точное определение времени и места появления таких признаков традиционно требовало кропотливого ручного анализа измерительных изображений.

Обучение компьютера замечать важные изменения

Команда сосредоточилась на хорошо известном магнитном сплаве Co₂MnGaxGe1‑x, в котором германий постепенно замещается галлием. Это изменение состава плавно смещает электронную структуру, но в определённых точках вызывает резкие изменения поведения. Используя квантово‑механические расчёты, исследователи сгенерировали подробные изображения Ферми‑поверхности для 101 слегка различающегося состава, имитируя снимки, получаемые угловой разрешённой фотоэмиссионной спектроскопией (ARPES), ключевым инструментом для картирования электронных состояний. Затем они преобразовали каждое изображение в длинный список чисел и пропустили их через метод главных компонент (PCA) — классический неуправляемый метод машинного обучения, который сжимает сложные данные до небольшого числа координат, сохраняя основные закономерности вариации.

Выявление скачков, сигнализирующих о новой физике

Когда сжатые данные нанесли на двумерную карту PCA, точки в основном образовали плавную кривую по мере увеличения содержания галлия. Наложенные на эту тенденцию, однако, были несколько отчётливых «скачков» между соседними составами. Поскольку расстояние на этой карте отражает, насколько отличаются исходные изображения, каждый скачок обозначает внезапную трансформацию формы Ферми‑поверхности. Сопоставив эти результаты с независимыми расчётами спиновой поляризации — мерой того, насколько спины электронов ориентированы в одном направлении — авторы обнаружили, что скачки совпадают с пиками, впадинами или перегибами на кривой поляризации. Иными словами, представление изображений методом машинного обучения автоматически выделило те же составы, которые физик отметил бы как особенные при традиционном анализе.

Выявление узловых линий и их отпечатков

Один особенно крупный скачок наблюдался при доле галлия около 0.94–0.95. Предыдущие работы указывали, что в этом диапазоне узловые линии в зонной структуре сплава приближаются к уровню Ферми и существенно влияют на транспортные свойства. Вычитая соседние изображения Ферми‑поверхности и исследуя, где разности максимальны, исследователи смогли точно определить области в пространстве импульсов, где появились новые признаки. Эти яркие пятна совпали с ожидаемыми местоположениями узловых линий и областей интенсивной «кривизны Берри» — величины, связанной с нетипичными электрическими и тепловыми откликами. Таким образом, без заранее помеченных данных метод на основе PCA выявил именно те составы и области в пространстве импульсов, где возникает эта особая топология.

Работа даже с размытыми и зашумлёнными данными

Реальные ARPES‑эксперименты часто страдают от размытых признаков и сильного шума, особенно при коротком времени измерения или слабом сигнале. Чтобы проверить, останется ли их подход полезным в таких условиях, авторы преднамеренно размыли рассчитанные изображения Ферми‑поверхности и добавили сильный случайный шум. Хотя тонкие детали были утрачены, карта PCA по‑прежнему демонстрировала узнаваемые скачки почти при тех же составах. Путём настройки простого числового порога, определяющего, что считать скачком, они продолжали выделять ключевые точки, где меняется спиновая поляризация или появляются узловые линии. Эта робастность указывает на то, что метод может помочь приоритизировать интересные образцы даже когда экспериментальные данные далеки от идеальных.

Что показывает исследование простыми словами

Работа демонстрирует, что простое и прозрачное средство машинного обучения может выступать как автоматический «детектор изменений» для сложных электронных изображений. В сплаве Co₂MnGaxGe1‑x верхний 1% скачков на карте PCA надёжно выделяет составы, где узловые линии пересекают уровень Ферми, тогда как верхние 10% соответствуют сильным сдвигам в спиновой поляризации. Поскольку подход не требует предварительно размеченных данных и предназначен для выявления несистематических отклонений от общей тенденции, он хорошо подходит для сканирования больших наборов спектров из пленок с градиентом состава или для высокопроизводительных ARPES‑исследований. При участии человеческих экспертов, интерпретирующих выделенные образцы, эта схема может ускорить открытие материалов с нетипичными электронными состояниями и направить разработку будущих спинтронных и топологических устройств.

Цитирование: Ishikawa, D., Fuku, K., Miura, Y. et al. Anomaly detection of fermi surface morphology in Co2MnGaxGe1-x via interpretable machine learning. Sci Rep 16, 12698 (2026). https://doi.org/10.1038/s41598-026-39115-0

Ключевые слова: Ферми-поверхность, сплав Хойслера, машинное обучение, спинтроника, ARPES