吉田鉄平 人间?环境学研究科教授、山地洋平 物質?材料研究機構主任研究員、藤森淳 早稲田大学客員教授、今田正俊 同教授（豊田理化学研究所フェロー）の研究グループは、新たに光電子分光データから人工ニューラルネットワーク（ANN）を活用して「自己エネルギー」と呼ばれる物理量を取り出す手法を開発し、高温超伝導解明の鍵となる引力の痕跡を発見しました。
低温超伝导体では、电子の运动の履歴を示す自己エネルギーから、超伝导状态の形成に必要な电子のペア（クーパー対）を生み出す引力の存在が実験的に証明されました。しかし、铜酸化物高温超伝导体については、高い転移温度に见合う强い引力の痕跡が长年见つかっていませんでした。
今回、本研究グループは、理论方程式（エリアシュベルグ方程式）を用いて実験データを再现し説明する従来の方法に代わって、あらゆる関数を表现できる础狈狈を用いた机械学习を考案し、铜酸化物高温超伝导体について、実験データを精密に再现する2成分の自己エネルギーを决定することに成功しました。自己エネルギーには「正常成分」と「异常成分」の2成分があり、后者に引力の痕跡が含まれていることがわかっています。得られた自己エネルギーの解析から、2つの成分に现れる强い电子间の散乱（正常成分）と强い引力（异常成分）の影响が、実験データでは见かけ上相杀するために隠れてしまい、引力の痕跡が観测されなかったことがわかりました。また、异常成分のさらなる解析から、强い引力が低温超伝导のような原子振动では説明できないことがわかりました。今回得られた成果は、高温超伝导の起源を解明する重要な手掛かりになります。
今后本研究グループは、今回开発された実験データ解析手法を様々な物质に适用し、より高い超伝导転移温度を示す物质の设计に活かしていくことを目指します。また、これまで础狈狈が活用されてきた机械学习では、多数のデータによる学习から未知のデータ予测を行うことが主流でした。今回得られた成果を嚆矢として、少数データから隠れた物理量を抽出する机械学习観测手法の确立を目指していきます。本研究成果は今后、実験科学だけでは解决が困难な问题を解く革新的手法へと発展することが期待されます。
本研究成果は、2021年11月8日に、「Physical Review Research」のオンライン版に掲載されました。
【顿翱滨】
【碍鲍搁贰狈础滨アクセス鲍搁尝】
Youhei Yamaji, Teppei Yoshida, Atsushi Fujimori, Masatoshi Imada (2021). Hidden self-energies as origin of cuprate superconductivity revealed by machine learning. Physical Review Research, 3(4):043099.
