进展 | 自学习蒙特卡洛方法推动电声耦合狄拉克费米子研究

2019 年 2 月 22 日 中科院物理所

自学习蒙特卡洛方法 -- 通过提取描述系统低能有效模型的自学习过程,设计出优化的更新方法,克服量子多体系统蒙特卡洛模拟中临界慢化和接收概率低等瓶颈- - 自2016年提出以来,已经在凝聚态量子多体问题相变和临界现象研究中取得不少重要成果,受到广泛关注[1]。该方法在量子多体问题大规模数值计算领域中的应用,正在逐步深入[2, 3]。

伴随着石墨烯,尤其是最近魔角石墨烯体系中新的实验结果不断涌现,人们对于蜂窝晶格的相互作用狄拉克费米系统的性质越来越关心,如何准确刻画半金属、金属、绝缘体、超导体之间的量子相变以及量子临界区中非费米液体行为,正在变为更加重要的问题。


日前,中国科学院物理研究所/北京凝聚态物理国家研究中心博士生陈闯、研究员孟子杨与香港科技大学许霄琰博士,德国维尔兹堡大学 Martin Hohenadler 博士组成的研究团队,运用自学习蒙特卡洛和连续时间蒙特卡洛方法,研究了石墨烯蜂窝晶格上电声子耦合 Holstein 模型的相图,精确刻画了相互作用下的狄拉克费米子从半金属到电声耦合导致的绝缘体的相变过程,为理解狄拉克半金属的相变提供了新的思路和实例。该团队的研究成果,与来自加州大学戴维斯分校的另一支团队的独立工作,联袂发表在最近一期的 Physical Review Letters [4, 5]。


该团队选取半满的蜂窝晶格上狄拉克费米子与 Holstein 声子耦合的模型,声子部分具有本征振动频率和在虚时域的涨落,并与电子在格点上的电荷密度耦合,在电子之间引起有效相互作用,并在相变点附近将整个系统变成无法用微扰解析求解的强关联问题,只能通过数值求解。而Holstein 模型的量子蒙特卡洛模拟,由于声子本身的连续变量形式和其在虚时上的强烈相互作用,所导致的极长的自关联时间一直是领域中公认的难题,二维晶格系统的大规模计算模拟进展十分缓慢。自学习蒙特卡洛方法,找到了正确的声子有效模型,在有效模型的指引下蒙特卡洛更新的自关联时间大大缩短,在二维晶格的模型定量计算方面,已经取得重要的成果[3]。


在本项目中,该团队用大规模量子蒙特卡洛计算给出了图1所示的相图。图中横轴为狄拉克费米子和声子的耦合强度,纵轴为温度。当耦合弱的时,狄拉克半金属稳定存在;当耦合强时,声子的量子涨落引起电子有效吸引相互作用,狄拉克费米子在相互作用之下变成电荷密度波绝缘体。由于 CDW 破缺 A,B 子晶格的 Z2 对称性,有限温度下的相变为 2D Ising 相变,零温的相变为 (2+1)D Gross-Neveu Ising 相变。为了精确研究有限温度的经典相变和零温的量子相变,该团队运用关联比(correlation ratio)和标度有限尺度数据坍缩(scaling collapse)等方式,确定临界点的位置和临界指数(如图2(a)),并通过蒙特卡洛和解析延拓结合的手段,计算了半金属和绝缘体中的单粒子谱,刻画了从无能隙的狄拉克半金属到有能隙的绝缘体的完整谱学行为变化(如图2(b), (c))。
  

这项工作对于运用大规模蒙特卡洛方法研究石墨烯与类似晶格中的相互作用狄拉克费米子的性质打开了新的思路。掺杂之后的超导现象,以及超导和绝缘体之间的相变,还有量子临界区域中的反常输运行为等当前十分活跃的研究课题都可以在这个框架内进行探索


图1. 狄拉克费米子 Holstein 模型相图,横轴为电声子耦合强度,纵轴为温度。耦合弱的时候,系统为狄拉克半金属(Semimetal);耦合强时,声子的量子涨落引起电子有效吸引作用,狄拉克费米子局域化成为电荷密度波绝缘体(CDW insulator )。由于 CDW 破缺 A,B 子晶格的 Z2 对称性,有限温度下的相变为 2D Ising 相变,零温的相变为 (2+1)D Gross-Neveu Ising 相变。

图2. (a) 运用关联比(correlation ratio)确定半金属-CDW绝缘体量子相变的位置。系统尺度(L)越大,蒙特卡洛计算的难度也就越大。(b) 在半金属中的单粒子谱函数,在动量 K 点处没有能隙,线性色散的狄拉克费米子是稳定的。(c) 在 CDW 绝缘体中的单粒子谱函数,在动量 K 点处由声子的涨落引起电子之间的有效相互作用,打开了能隙。狄拉克费米子不复存在。


这项工作得到了科技部重点研发计划2016YFA0300502,中科院先导项目 XDB28000000,国家自然科学基金委项目 11574359以及松山湖材料实验室的支持。量子蒙特卡洛模拟所需的大规模的并行计算在中科院物理所量子模拟科学中心和天津国家超算中心天河1号平台上完成,计算过程中得到了天津国家超算中心孟祥飞博士、菅晓东工程师等同事的有力配合,在此一并感谢。


参考文献
[1] 从德尔斐箴言到自学习蒙特卡洛,孟子杨,物理,46,248-252 (2017)

[2] Symmetry Enforced Self-Learning Monte Carlo Method Applied to the Holstein Model,
Chuang Chen, Xiao Yan Xu, Junwei Liu, George Batrouni, Richard Scalettar, Zi Yang Meng,
Phys. Rev. B 98, 041102(R) (2018)

[3] EMUS-QMC: Elective Momentum Ultra-Size Quantum Monte Carlo Method,
Zi Hong Liu, Xiao Yan Xu, Yang Qi, Kai Sun, Zi Yang Meng,
Phys. Rev. B 99, 085114 (2019)

[4] Charge-Density-Wave Transitions of Dirac Fermions Coupled to Phonons,
Chuang Chen, Xiao Yan Xu, Zi Yang Meng, Martin Hohenadler,
Phys. Rev. Lett. 122. 077601 (2019)

[5] Charge Order in the Holstein Model on a Honeycomb Lattice
Y.-X. Zhang, W.-T. Chiu, N.C. Costa, G.G. Batrouni, R.T. Scalettar,
Phys. Rev. Lett. 122. 077602 (2019)


编辑:Quanta Yuan


近期热门文章Top10

↓ 点击标题即可查看 ↓

1. 大龄单身狗返乡过年期间瞬时压力激增现象及其应对措施研究

2. 12个革命性的公式

3. 最小有多小?最大有多大?

4. 一幅图读懂量子力学(大神的战争)

5. WiFi穿墙完全指南

6. 为什么你吃的食物跟广告上的永远不一样?

7. 你知道爱因斯坦人生中发表的第一篇论文是什么吗?

8. 出生在显赫世家是怎样的体验?

9. 理论物理学家费纸,实验物理学家费电,理论实验物理学家费?

10. 这些东西,看过的人都转疯了!

点此查看以往全部热门文章


登录查看更多
0

相关内容

马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo),简称MCMC,产生于19世纪50年代早期,是在贝叶斯理论框架下,通过计算机进行模拟的蒙特卡洛方法(Monte Carlo)。该方法将马尔科夫(Markov)过程引入到Monte Carlo模拟中,实现抽样分布随模拟的进行而改变的动态模拟,弥补了传统的蒙特卡罗积分只能静态模拟的缺陷。MCMC是一种简单有效的计算方法,在很多领域到广泛的应用,如统计物、贝叶斯(Bayes)问题、计算机问题等。
非凸优化与统计学,89页ppt,普林斯顿Yuxin Chen博士
专知会员服务
102+阅读 · 2020年6月28日
深度学习可解释性研究进展
专知会员服务
98+阅读 · 2020年6月26日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
【上海交大】半监督学习理论及其研究进展概述
专知会员服务
70+阅读 · 2019年10月18日
机器学习中的最优化算法总结
人工智能前沿讲习班
22+阅读 · 2019年3月22日
稀疏性的3个优势 -《稀疏统计学习及其应用》
遇见数学
15+阅读 · 2018年10月24日
为什么强化学习会成为当下机器学习最火的研究领域?
机器学习算法与Python学习
6+阅读 · 2018年6月15日
贝叶斯机器学习前沿进展
架构文摘
13+阅读 · 2018年2月11日
展望:模型驱动的深度学习
人工智能学家
12+阅读 · 2018年1月23日
心理学与脑科学:进展、思考和展望
科技导报
9+阅读 · 2017年10月27日
专栏 | 贝叶斯学习与未来人工智能
机器之心
10+阅读 · 2017年9月19日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Arxiv
3+阅读 · 2018年10月11日
Learning Blind Video Temporal Consistency
Arxiv
3+阅读 · 2018年8月1日
VIP会员
相关资讯
机器学习中的最优化算法总结
人工智能前沿讲习班
22+阅读 · 2019年3月22日
稀疏性的3个优势 -《稀疏统计学习及其应用》
遇见数学
15+阅读 · 2018年10月24日
为什么强化学习会成为当下机器学习最火的研究领域?
机器学习算法与Python学习
6+阅读 · 2018年6月15日
贝叶斯机器学习前沿进展
架构文摘
13+阅读 · 2018年2月11日
展望:模型驱动的深度学习
人工智能学家
12+阅读 · 2018年1月23日
心理学与脑科学:进展、思考和展望
科技导报
9+阅读 · 2017年10月27日
专栏 | 贝叶斯学习与未来人工智能
机器之心
10+阅读 · 2017年9月19日
Top
微信扫码咨询专知VIP会员