La recherche de matériaux électroniques de nouvelle génération commence souvent par l’étude de la surface de Fermi, qui sert de carte de la structure électronique d’un matériau. Sa forme varie avec la structure cristalline, la composition et l’agencement des bandes électroniques, influençant directement des propriétés telles que la densité de porteurs, le comportement magnétique et la polarisation de spin. Cela en fait un outil crucial pour comprendre et concevoir de nouveaux matériaux.
La surface de Fermi d’un matériau est déterminée expérimentalement à l’aide de techniques telles que la spectroscopie de photoémission résolue en angle (ARPES). Cependant, l’interprétation des données ARPES nécessite une expertise spécialisée, et les mesures elles-mêmes sont souvent sujettes au bruit. Alors que les expériences produisent des quantités de données de plus en plus importantes, l’examen minutieux de chaque image à la main devient long et inefficace.
Pour relever ce défi, une équipe de la Tokyo University of Science (TUS), de l’Université de Nagoya et de l’Institut de Technologie de Kyoto au Japon a développé une approche d’apprentissage automatique pour analyser les images de surface de Fermi d’un matériau appelé Co2MnGaxGe1-x. Ce matériau appartient à une famille connue sous le nom d’alliages Heusler et est particulièrement intéressant pour la spintronique, un domaine qui utilise le spin des électrons — et non seulement leur charge — pour traiter l’information. L’alliage est également connu pour présenter l’effet Nernst anormal, dans lequel une tension est générée à partir d’une différence de température dans un matériau magnétique. Ces deux phénomènes sont étroitement liés à des caractéristiques spéciales appelées lignes nodales qui apparaissent sur la surface de Fermi du matériau.
L’équipe de la TUS comprenait le Professeur Masato Kotsugi, l’ancien étudiant en master Daichi Ishikawa et Kentaro Fuku. « L’étude contribue à un mouvement croissant qui exploite l’intelligence artificielle pour révéler des motifs dans les matériaux qui autrement pourraient rester cachés », affirme le Prof. Kotsugi. L’étude sera publiée dans la revue Scientific Reports le 27 avril 2026.
Les chercheurs ont utilisé une technique appelée analyse en composantes principales (ACP). L’ACP est un type d’apprentissage automatique non supervisé qui simplifie des données complexes tout en conservant les motifs les plus importants. Même si les surfaces de Fermi peuvent avoir des formes détaillées et complexes, la gamme de compositions étudiées dans cet alliage est relativement étroite, ce qui rend l’ACP bien adaptée pour identifier des tendances systématiques.
Les chercheurs ont commencé par des simulations informatiques basées sur la théorie de la fonctionnelle de la densité pour calculer la structure électronique du matériau à différentes compositions. À partir de ces calculs, l’équipe a généré des images de la surface de Fermi. Ils ont également calculé la polarisation de spin, une propriété clé qui décrit le déséquilibre entre les électrons de directions de spin différentes. Les images de surface de Fermi ont été converties en vecteurs unidimensionnels et analysées par ACP pour identifier les similitudes et les différences entre les compositions.
La méthode a identifié avec succès les compositions exactes où des changements significatifs dans la topologie de la surface de Fermi se produisent. En particulier, près d’une concentration de gallium d’environ 0,94 à 0,95, des « sauts » soudains dans la représentation simplifiée de l’ACP correspondaient à l’émergence de lignes nodales et à des extremums et points d’inflexion dans la polarisation de spin.
Fait important, la méthode est restée efficace même lorsque les images étaient intentionnellement floutées ou qu’un bruit important était ajouté pour simuler des conditions expérimentales réelles, imitant les données ARPES, et l’approche a continué à identifier avec succès les compositions associées aux variations de la polarisation de spin et des lignes nodales.
Les résultats montrent que cette approche d’apprentissage automatique peut rapidement mettre en évidence des modifications importantes de la surface de Fermi d’un matériau. De tels outils pourraient aider les scientifiques à filtrer de grands ensembles de données plus efficacement et à accélérer le développement de matériaux aux propriétés électroniques souhaitables. De plus, sa capacité à détecter des valeurs aberrantes grâce à une analyse différentielle dans l’espace ACP pourrait être étendue pour filtrer d’autres candidats matériaux, y compris les matériaux fortement corrélés avec des bandes plates et les semimétaux de Weyl ou de Dirac présentant de multiples caractéristiques nodales, permettant aux chercheurs d’identifier des candidats matériaux prometteurs pour diverses applications.
« L’IA sera capable d’analyser toutes sortes de matériaux, de la spintronique aux matériaux topologiques et à la supraconductivité », affirme le Prof. Kotsugi.
Article : Anomaly Detection of Fermi Surface Morphology in Co2MnGaxGe1-x via Interpretable Machine Learning – Journal : Scientific Reports – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
Source : Tokyo U.
