投稿

2025年11月の気になった論文(暫定版)

イメージ
たすけて~~~ ※Amazonアフィにアクセスしてやってください🙇‍♀🙇‍♀🙇‍♀🙇‍♀🙇‍♀🙇‍♀ Kindle本 セール&キャンペーン https://amzn.to/4oTi1Pn ‐2025/11/5‐‐ Origin of sublattice particle-hole asymmetry in monolayer FeSe superconductors https://arxiv.org/abs/2511.02226 鉄系超伝導体において、単位胞内の2つの鉄原子は通常、結晶対称性によって関連付けられている。このため、超伝導ギャップには単位胞内における変動は生じないと予想される。しかしながら、最近の実験結果はこの予想に反し、粒子-孔対称性が非対称な状態で単位胞内ギャップ変動を報告している。本研究では、SrTiO基板上に成長した単層FeSeにおいて、2つの鉄サブ格子間に見られるこの非対称性の起源について考察する。その結果、基板に起因する反転対称性の破れに加え、基板のネマティック対称性の破れがこの非対称性の観測において決定的な役割を果たしていることが明らかとなった。 奇周波数超伝導マジ? Spin and orbital excitations in undoped infinite layers: a comparison between superconducting PrNiO2 and insulating CaCuO2 https://arxiv.org/abs/2511.02448 無限層ニッケル酸化物は、銅酸化物系超伝導体に匹敵する最も有望な超伝導体の一つであるが、銅酸化物系との重要な差異が報告されている。本研究では、化学的にドーピングされていない超伝導体PrNiO₂を対象に、運動量分解および偏光分解型共鳴非弾性X線散乱(RIXS)測定を実施した。得られた結果を、基準物質である無限層銅酸化物CaCuO₂の磁気励起および軌道励起特性と比較考察する。 Superconducting pairing correlations on a trapped-ion quantum computer https://arxiv.org/abs/2511.02125 フェルミ・ハバードモデルは、高温超伝導体をはじめとする強相関物質のシミュレ...

(メモ)WindowsでUbuntu使う方法

 参考にしたWebサイト Windows上でLinux仮想環境を構築【WSL2でお気楽Web開発】 https://www.value-domain.com/media/wsl2-linux/ WSL2+pyenv+PoetryでPython開発環境構築 https://zenn.dev/claustra01/articles/0d8efd08905526 Geminiの回答 ※ローカルに保存

ガウス過程回帰で電気抵抗の温度依存性を予測できるかやってみた

イメージ
 【イントロ】 実験て楽しいですよね。 特に初めて作った物質の物性を初めて測定する瞬間、 世界で誰も見たことがない物性が測定が進むにつれて明らかになっていく時間、 最高のときめきです。 ときめきメモリアル forever with you エモーショナル© ところがどっこい。順調に測定がすすめばよいですが、 途中で相転移なんて起こった日にはたまらない。 もっと温度変化を細かくとっておけばよかった! と後悔するころには実験マシンタイムは終わってしまいます。 え?1回目は試し測定で荒く測定して、2回目で細かく測ればいいだけ? はぁ・・・ 鬼滅の刃© そんな悲劇を回避するために、測定済みのデータ点からこれから測定するデータが取りうる値の幅を予測することは可能でしょうか? そうした手法の1つが ガウス過程回帰 です。 本記事では、ガウス過程回帰を用いて実験データを予測することが可能か、試してみました。 【手法】 本記事では、予測する実験データとして、電気抵抗の温度依存性を例に着目しました。 電気抵抗の温度依存性の例として、以下3つについて、分析を行いました。 一般的な金属 半導体 超伝導体 ガウス過程回帰(Gaussian Process Regression)については、持橋他「 ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ) 」を参考にしました。 一般的な線形回帰では、係数を測定点から決定しますが、ガウス過程回帰では、測定点自体が特定の確率分布から得られると仮定して、予測の分散付きで予測値を算出することが可能となります。このとき、測定点から近い予測点は分散が小さく、遠い点は分散が大きく予測されます。測定点と予測点の近さを表す関数はカーネルと呼ばれますが、カーネル関数を調整し、さらにカーネルのパラメータを測定データを使って決定することで、様々な関数を学習し予測することが可能になります。 今回はカーネルは標準的なRBF(Radial Basis Function)を利用しています。 コーディングについては、ChatGPTとClaudeを利用しました。 利用したノートブックのHTMLを記事の末尾に記載します。 【結果】 まず一般的な金属の例です。 一般的な金属では電子とフォノンによる散乱が電気抵抗の主な要因です。 電子フォノン散乱による...