이합체 사슬의 전자 밴드

1. 국소 궤도에서 에너지 띠까지

반복 사슬의 각 셀에 국소 궤도 A와 B를 둡니다. 전자가 두 궤도 사이에서 이동할 가능성은 해밀토니안의 호핑 항으로 표현합니다. 유한한 고리에서는 주기 경계 조건을 만족하는 블로흐 파수가 이산적입니다. 고리가 길어질수록 파수가 연속 구간을 촘촘하게 채우고, 허용 에너지가 이어져 밴드를 이룹니다. 각 자리에 궤도 하나가 있고, 스핀이 없는 독립 전자가 최근접 자리 사이에서 이동한다고 가정합니다. MIT OpenCourseWare, 전자 밴드 구조와 밀접결합 근사

2. 반복 사슬을 블로흐 해밀토니안으로 표현하기

두 자리를 포함한 셀의 길이는 $a$, 무차원 파수는 $q=ka$입니다. 셀 내부 호핑을 $t_1\ge0$, 셀 사이 호핑을 $t_2\ge0$으로 둡니다. 자리 에너지의 평균을 빼 A에는 $+\Delta$, B에는 $-\Delta$를 부여합니다. $n$번째 셀에서 공통 블로흐 위상 $e^{iqn}$을 분리하면 다음 행렬을 얻습니다.

셀 사이 호핑은 이웃 셀을 연결하므로 위상 인자가 붙습니다. 비대각 성분이 서로 켤레이므로 에르미트 행렬입니다. $\Delta=0$이면 이 셀 규약에서 Su–Schrieffer–Heeger 모형의 벌크 해밀토니안이 됩니다. Asbóth, Oroszlány, Pályi 강의록 1장

3. 밴드의 끝과 간격 계산하기

대각합은 0이고 행렬식은 $-\Delta^2-|t_1+t_2e^{-iq}|^2$입니다. 두 고윳값은 다음과 같습니다.

$q=0$에서는 두 호핑 항이 더해지고 $q=\pi$에서는 두 항의 차이가 남습니다. 두 호핑이 양수이면 위쪽 밴드의 최솟값과 아래쪽 밴드의 최댓값이 모두 영역 경계에 있습니다. 벌크 에너지 간격은 $E_g=2\sqrt{\Delta^2+(t_1-t_2)^2}$입니다. 호핑 하나가 0이면 두 밴드는 평평하고 어느 $q$에서나 같은 간격을 얻습니다.

$t_1=1$, $t_2=0.6$, $\Delta=0$이면 영역 중심 에너지는 $\pm1.6$, 경계 에너지는 $\pm0.4$입니다. 간격은 $0.8$입니다. $t_1=t_2=1$, $\Delta=0.4$로 바꾸면 간격은 같고 영역 중심 에너지는 달라집니다. 간격을 한 번 측정하면 호핑 차이와 자리 에너지 차이에 함께 제약을 줄 수 있습니다.

4. 밴드 접힘과 간격 열림 구분하기

$t_1=t_2=t$이고 $\Delta=0$이면 사슬을 $a/2$만큼 평행 이동해도 해밀토니안이 같습니다. 한 자리 셀의 분산은 $2t\cos(ka/2)$입니다. 두 자리 셀의 작은 브릴루앙 영역에 이 곡선을 옮겨 담으면 옮겨진 구간이 두 번째 가지를 이룹니다. 두 가지는 영역 경계에서 만납니다. 번갈아 달라지는 호핑이나 자리 에너지 차이는 반 셀 평행 이동 대칭을 깨고 간격을 엽니다.

축퇴점에서 떨어진 곳의 파동 묶음 군속도는 $v_\pm=(a/\hbar)dE_\pm/dq=\mp at_1t_2\sin(q)/(\hbar|E_\pm|)$입니다. 교차점에서 에너지 순서로 정렬한 가지는 주기 영역에서 꺾입니다. 그 지점에서는 부드럽게 이어지는 가지를 정한 뒤 기울기를 구합니다. 이 모형에서 아래쪽 띠가 차 있고 위쪽 띠가 비어 있으면 에너지 간격이 점유 상태와 비점유 상태를 가릅니다. 전자 수가 바뀌면 점유 여부도 다시 따져야 합니다.

5. 에르미트 고윳값 계산으로 검산하기

Python에서 NumPy로 브릴루앙 영역을 훑고 수치적으로 구한 간격을 닫힌 형태의 식과 비교합니다.

import numpy as np

q = np.linspace(-np.pi, np.pi, 1001)

def bands(t1, t2, delta):
    coupling = t1 + t2 * np.exp(-1j * q)
    h = np.zeros((q.size, 2, 2), dtype=complex)
    h[:, 0, 0], h[:, 1, 1] = delta, -delta
    h[:, 0, 1], h[:, 1, 0] = coupling, coupling.conj()
    return np.linalg.eigvalsh(h)

for t1, t2, delta in [(1, .6, 0), (1, 1, .4), (1, 1, 0), (1, 0, .4)]:
    e = bands(t1, t2, delta)
    gap = e[:, 1].min() - e[:, 0].max()
    expected = 2 * np.hypot(delta, t1 - t2)
    assert np.isclose(gap, expected, atol=1e-12)
    assert np.allclose(e[:, 0], -e[:, 1])
    print(f"gap={gap:.3f}, center={e[q.size // 2, 1]:.3f}")

assert np.allclose(bands(1, .6, 0), bands(.6, 1, 0))

6. 역문제를 위한 관측 설계하기

어떤 매개변수 조합이 같은 분산을 줄 수 있는지 예측해 봅니다. 이 주기 모형에서 $t_1$과 $t_2$를 바꾸어도 모든 에너지가 같습니다. 고유상태가 A와 B 중 어느 자리에 분포하는지는 추가 정보를 줍니다. 예를 들어 영역 경계에서 위쪽 고윳값이 단순하면 A 성분의 가중치는 $(1+\Delta/\sqrt{\Delta^2+(t_1-t_2)^2})/2$입니다. 따라서 간격과 함께 자리별 가중치를 관측하면 제약을 늘릴 수 있습니다. 데이터로 모형을 추정할 때는 셀 규약, 관측 파수, 후보 해밀토니안을 구별할 관측량을 기록합니다.