基于模拟的I型1.5超导体吉恩茨堡-朗之万参数推断
Simulation-Based Inference of Ginzburg--Landau Parameters in Type--1.5 Superconductors
AI总结：
本文提出了一种基于模拟的推断方法，结合可微TDGL求解器和神经比率估计，用于推断I型1.5超导体中的各能带约瑟夫森耦合参数。
摘要：
从涡旋配置直接推断多组分超导体中的微观耦合是具有挑战性的逆问题。在I型1.5系统中，时间依赖的吉恩茨堡-朗之万（TDGL）动力学会产生复杂且玻璃状的涡旋图案，具有高 metastability。我们通过分析能量景观的海森堡谱来显式量化这种不可解性，揭示了软模式的增多，这阻碍了传统采样。我们通过将可微TDGL求解器与基于模拟的推断（SBI）结合来解决这一挑战。我们的方法将求解器视为一个随机的正向模型，将物理参数（θ = (η, B, ν)）映射到涡旋密度场。使用神经比率估计（NRE），我们训练一个分类器来近似似然到证据比，并通过涡旋密度场对各能带约瑟夫森耦合进行贝叶斯推断。在合成数据上，所提出的方法能够可靠地恢复耦合并校准不确定性。
英文摘要：
Inferring microscopic couplings in multi-component superconductors directly from vortex configurations is a challenging inverse problem. In Type-1.5 systems, Time-Dependent Ginzburg-Landau (TDGL) dynamics generate complex, glassy vortex patterns with high metastability. We explicitly quantify this intractability by analyzing the Hessian spectrum of the energy landscape, revealing a proliferation of soft modes that hinders traditional sampling. We address this challenge by combining a differentiable TDGL solver with Simulation-Based Inference (SBI). Our approach treats the solver as a stochastic forward model mapping physical parameters (θ = (η, B, ν)) to vortex density fields. Using Neural Ratio Estimation (NRE), we train a classifier to approximate the likelihood-to-evidence ratio and perform Bayesian inference for the interband Josephson coupling from vortex density fields. On synthetic data, the proposed method reliably recovers the coupling with calibrated uncertainty.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
