第1章: スピン軌道相互作用

スピン軌道相互作用（SOI: Spin-Orbit Interaction）は、電子のスピンと軌道運動を結びつける量子力学的効果です。本章では、その相対論的起源から始め、固体中での発現形態であるRashba効果とDresselhaus効果を学び、スピントロニクスデバイスへの応用を理解します。

1.1 スピン軌道相互作用の相対論的起源

スピン軌道相互作用は、ディラック方程式の非相対論的近似から自然に導かれます。電場$\mathbf{E}$中を速度$\mathbf{v}$で運動する電子は、静止系で有効磁場を感じます：

この有効磁場と電子スピンの相互作用がスピン軌道相互作用です。原子内では、核のクーロン場による電場が存在します：

これらを組み合わせ、Thomas半因子（1/2）を考慮すると、SOIハミルトニアンが得られます：

ここで$\mathbf{L}$は軌道角運動量、$\mathbf{S}$はスピン角運動量、$\xi(r)$はスピン軌道結合定数です。

コード例1.1: 原子のSOI強度の計算

"""
水素様原子のスピン軌道結合定数の計算
"""
import numpy as np
import matplotlib.pyplot as plt

def soi_coupling_constant(Z, n, l):
    """
    水素様原子のSOI結合定数（eV単位）

    Parameters:
    Z: 原子番号
    n: 主量子数
    l: 方位量子数
    """
    # 物理定数
    alpha = 1/137  # 微細構造定数
    m_e = 0.511e6  # 電子質量 (eV/c^2)
    a_0 = 0.529e-10  # ボーア半径 (m)

    # Rydberg エネルギー
    E_n = 13.6 * Z**2 / n**2  # eV

    # SOI結合定数（近似式）
    if l == 0:
        return 0
    xi = (alpha**2 * Z**4 * 13.6) / (n**3 * l * (l + 0.5) * (l + 1))
    return xi

# 様々な元素のSOI強度（2p軌道）
elements = {
    'H': 1, 'C': 6, 'O': 8, 'Si': 14, 'Fe': 26,
    'Cu': 29, 'Ag': 47, 'W': 74, 'Pt': 78, 'Au': 79, 'Bi': 83
}

n, l = 2, 1  # 2p軌道

Z_values = list(elements.values())
names = list(elements.keys())
xi_values = [soi_coupling_constant(Z, n, l) for Z in Z_values]

plt.figure(figsize=(12, 6))
plt.bar(names, xi_values, color='steelblue', alpha=0.7)
plt.yscale('log')
plt.xlabel('元素', fontsize=12)
plt.ylabel('SOI結合定数 ξ (eV)', fontsize=12)
plt.title('原子番号によるスピン軌道相互作用強度の変化', fontsize=14)
plt.grid(True, alpha=0.3, axis='y')

# Z^4依存性を示す補助線
Z_fit = np.array(Z_values)
xi_fit = xi_values[0] * (Z_fit / Z_values[0])**4
plt.plot(names, xi_fit, 'r--', linewidth=2, label='$Z^4$依存性')
plt.legend()
plt.tight_layout()
plt.show()

print(f"Pt(Z=78)のSOI強度はC(Z=6)の約{(78/6)**4:.0f}倍")

1.2 Rashba効果

Rashba効果は、空間反転対称性の破れた系で現れるSOIの一形態です。界面や表面など、構造的に対称性が破れた環境で重要になります。

Rashba SOIのハミルトニアンは：

ここで$\alpha_R$はRashba係数、$\boldsymbol{\sigma}$はパウリ行列、$\mathbf{k}$は波数ベクトルです。

Rashba効果によるバンド分裂

2次元電子ガスに Rashba SOI が作用すると、エネルギー分散は：

となり、スピン縮退が解けて2つのバンドに分裂します。

コード例1.2: Rashbaバンド構造

"""
Rashba効果によるバンド分裂の可視化
"""
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def rashba_energy(kx, ky, m_eff, alpha_R):
    """Rashba SOIを含む2DEGのエネルギー分散"""
    hbar = 1.055e-34
    k = np.sqrt(kx**2 + ky**2)
    E_kinetic = (hbar**2 * k**2) / (2 * m_eff) * 6.242e18  # eVに変換
    E_rashba = alpha_R * k
    return E_kinetic + E_rashba, E_kinetic - E_rashba

# パラメータ
m_eff = 0.067 * 9.109e-31  # GaAsの有効質量
alpha_R = 1e-11  # Rashba係数 (eV·m)

# k空間グリッド
kx = np.linspace(-5e8, 5e8, 200)
ky = np.linspace(-5e8, 5e8, 200)
KX, KY = np.meshgrid(kx, ky)

E_plus, E_minus = rashba_energy(KX, KY, m_eff, alpha_R)

# 3D プロット
fig = plt.figure(figsize=(14, 5))

# バンド構造（3D）
ax1 = fig.add_subplot(121, projection='3d')
ax1.plot_surface(KX/1e8, KY/1e8, E_plus*1000, alpha=0.7, cmap='Reds', label='E+')
ax1.plot_surface(KX/1e8, KY/1e8, E_minus*1000, alpha=0.7, cmap='Blues', label='E-')
ax1.set_xlabel('$k_x$ (×$10^8$ m$^{-1}$)')
ax1.set_ylabel('$k_y$ (×$10^8$ m$^{-1}$)')
ax1.set_zlabel('Energy (meV)')
ax1.set_title('Rashba バンド分裂（3D）')

# 断面図（ky=0）
ax2 = fig.add_subplot(122)
idx = len(ky)//2
ax2.plot(kx/1e8, E_plus[idx,:]*1000, 'r-', linewidth=2, label='E+ (↑)')
ax2.plot(kx/1e8, E_minus[idx,:]*1000, 'b-', linewidth=2, label='E- (↓)')
ax2.axhline(y=0, color='k', linestyle='--', alpha=0.3)
ax2.set_xlabel('$k_x$ (×$10^8$ m$^{-1}$)', fontsize=12)
ax2.set_ylabel('Energy (meV)', fontsize=12)
ax2.set_title('Rashba バンド分裂（$k_y=0$断面）', fontsize=14)
ax2.legend()
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

Rashba効果におけるスピンテクスチャ

Rashba SOI下では、スピンは運動量に垂直かつ面内方向を向きます。これをスピンテクスチャと呼びます。

コード例1.3: スピンテクスチャの可視化

"""
Rashba SOIによるスピンテクスチャの可視化
"""
import numpy as np
import matplotlib.pyplot as plt

def rashba_spin_texture(kx, ky):
    """Rashba SOIによるスピン方向（規格化）"""
    k = np.sqrt(kx**2 + ky**2)
    # E+バンド: スピンは (-ky, kx, 0) 方向
    # E-バンド: スピンは (ky, -kx, 0) 方向
    with np.errstate(invalid='ignore'):
        sx_plus = -ky / k
        sy_plus = kx / k
        sx_minus = ky / k
        sy_minus = -kx / k
    return sx_plus, sy_plus, sx_minus, sy_minus

# k空間グリッド（極座標）
theta = np.linspace(0, 2*np.pi, 24)
k_vals = [1, 2, 3]

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

for ax, (title, sign) in zip(axes, [('E+ バンド（外側）', 1), ('E- バンド（内側）', -1)]):
    for k in k_vals:
        kx = k * np.cos(theta)
        ky = k * np.sin(theta)

        sx = -sign * ky / k
        sy = sign * kx / k

        ax.quiver(kx, ky, sx, sy, color=plt.cm.viridis(k/4),
                  scale=15, width=0.01, headwidth=4)
        circle = plt.Circle((0, 0), k, fill=False, linestyle='--', alpha=0.3)
        ax.add_patch(circle)

    ax.set_xlim(-4, 4)
    ax.set_ylim(-4, 4)
    ax.set_aspect('equal')
    ax.set_xlabel('$k_x$', fontsize=12)
    ax.set_ylabel('$k_y$', fontsize=12)
    ax.set_title(title, fontsize=14)
    ax.grid(True, alpha=0.3)

plt.suptitle('Rashba SOIによるスピンテクスチャ', fontsize=16)
plt.tight_layout()
plt.show()

1.3 Dresselhaus効果

Dresselhaus効果は、結晶構造自体の空間反転対称性の欠如に起因するSOIです。閃亜鉛鉱型（GaAs等）やウルツ鉱型結晶で重要です。

2次元系での線形Dresselhausハミルトニアン：

ここで$\beta$はDresselhaus係数です。3次の項も存在し：

RashbaとDresselhausの比較

コード例1.4: Rashba-Dresselhaus混合系

"""
RashbaとDresselhaus SOIの混合効果
"""
import numpy as np
import matplotlib.pyplot as plt

def mixed_soi_energy(kx, ky, m_eff, alpha, beta):
    """Rashba + Dresselhaus SOIのエネルギー分散"""
    hbar = 1.055e-34
    k2 = kx**2 + ky**2
    E_kin = (hbar**2 * k2) / (2 * m_eff) * 6.242e18

    # SOI項
    soi_x = alpha * ky + beta * kx
    soi_y = -alpha * kx - beta * ky
    E_soi = np.sqrt(soi_x**2 + soi_y**2)

    return E_kin + E_soi, E_kin - E_soi

# パラメータ
m_eff = 0.067 * 9.109e-31
kx = np.linspace(-5e8, 5e8, 200)

# 異なるα/β比での分散
fig, axes = plt.subplots(1, 3, figsize=(15, 4))

cases = [
    (1e-11, 0, 'Rashba only (α=1, β=0)'),
    (0, 1e-11, 'Dresselhaus only (α=0, β=1)'),
    (1e-11, 1e-11, 'Equal mixing (α=β)')
]

for ax, (alpha, beta, title) in zip(axes, cases):
    E_plus, E_minus = mixed_soi_energy(kx, 0, m_eff, alpha, beta)
    ax.plot(kx/1e8, E_plus*1000, 'r-', linewidth=2, label='E+')
    ax.plot(kx/1e8, E_minus*1000, 'b-', linewidth=2, label='E-')
    ax.set_xlabel('$k_x$ (×$10^8$ m$^{-1}$)', fontsize=11)
    ax.set_ylabel('Energy (meV)', fontsize=11)
    ax.set_title(title, fontsize=12)
    ax.legend()
    ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# α=βの特殊ケース：Persistent Spin Helix
print("α=βの場合、[110]方向に沿ったスピンが保存される")
print("→ Persistent Spin Helix（持続的スピンヘリックス）状態")

1.4 重金属・界面でのSOI

スピントロニクスデバイスでは、重金属（Pt, W, Ta等）の強いSOIが活用されます。

重金属薄膜でのSOI効果

• スピンホール効果（SHE）: 電流からスピン流への変換
• 逆スピンホール効果（ISHE）: スピン流から電流への変換
• スピン軌道トルク（SOT）: 隣接磁性層の磁化制御

コード例1.5: 材料別スピンホール角

"""
様々な材料のスピンホール角とスピン拡散長
"""
import numpy as np
import matplotlib.pyplot as plt

# 実験データ（典型値）
materials = {
    'Pt': {'theta_SH': 0.08, 'lambda_s': 3.0, 'Z': 78},
    'Ta (β)': {'theta_SH': -0.15, 'lambda_s': 1.8, 'Z': 73},
    'W (β)': {'theta_SH': -0.30, 'lambda_s': 1.4, 'Z': 74},
    'Pd': {'theta_SH': 0.01, 'lambda_s': 9.0, 'Z': 46},
    'Au': {'theta_SH': 0.01, 'lambda_s': 35, 'Z': 79},
    'Cu': {'theta_SH': 0.003, 'lambda_s': 500, 'Z': 29},
}

names = list(materials.keys())
theta_values = [abs(m['theta_SH']) for m in materials.values()]
lambda_values = [m['lambda_s'] for m in materials.values()]
Z_values = [m['Z'] for m in materials.values()]

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# スピンホール角
ax1 = axes[0]
colors = ['red' if materials[n]['theta_SH'] < 0 else 'blue' for n in names]
bars = ax1.bar(names, [materials[n]['theta_SH'] for n in names], color=colors, alpha=0.7)
ax1.axhline(y=0, color='k', linestyle='-', linewidth=0.5)
ax1.set_ylabel('スピンホール角 θ_SH', fontsize=12)
ax1.set_title('材料別スピンホール角', fontsize=14)
ax1.grid(True, alpha=0.3, axis='y')

# スピン拡散長
ax2 = axes[1]
ax2.bar(names, lambda_values, color='steelblue', alpha=0.7)
ax2.set_yscale('log')
ax2.set_ylabel('スピン拡散長 λ_s (nm)', fontsize=12)
ax2.set_title('材料別スピン拡散長', fontsize=14)
ax2.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

print("W, Taは負のスピンホール角を持つ（スピン方向が反転）")
print("SOT-MRAMではPtやWが広く使用される")

1.5 SOIのスピントロニクス応用

コード例1.6: SOTスイッチングのシミュレーション概念

"""
SOIベースのスピントルク効率の比較
"""
import numpy as np
import matplotlib.pyplot as plt

def sot_efficiency(theta_SH, lambda_s, t_FM, t_HM):
    """
    SOTスイッチング効率の簡易モデル

    Parameters:
    theta_SH: スピンホール角
    lambda_s: スピン拡散長 (nm)
    t_FM: 強磁性体厚さ (nm)
    t_HM: 重金属厚さ (nm)
    """
    # スピン流の界面透過を考慮
    tanh_factor = np.tanh(t_HM / (2 * lambda_s))
    efficiency = abs(theta_SH) * tanh_factor
    return efficiency

# パラメータスキャン
t_HM = np.linspace(0.5, 10, 100)  # nm
t_FM = 1.0  # nm

materials_params = {
    'Pt': {'theta_SH': 0.08, 'lambda_s': 3.0, 'color': 'blue'},
    'W(β)': {'theta_SH': 0.30, 'lambda_s': 1.4, 'color': 'red'},
    'Ta(β)': {'theta_SH': 0.15, 'lambda_s': 1.8, 'color': 'green'},
}

plt.figure(figsize=(10, 6))

for name, params in materials_params.items():
    eff = sot_efficiency(params['theta_SH'], params['lambda_s'], t_FM, t_HM)
    plt.plot(t_HM, eff, linewidth=2, color=params['color'], label=name)

plt.xlabel('重金属層厚さ (nm)', fontsize=12)
plt.ylabel('SOT効率 (相対値)', fontsize=12)
plt.title('重金属材料とSOTスイッチング効率', fontsize=14)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

print("W(β)は高いスピンホール角により最も高いSOT効率を示す")
print("最適な重金属厚さはスピン拡散長の2-3倍程度")

章のまとめ

次章への準備

次章では、SOIから派生するスピン移行トルク（STT）の詳細な理論を学びます。Slonczewski-Bergerモデルに基づく磁化ダイナミクスとSTT-MRAMの設計原理を理解します。

参考文献

1. Winkler, R. (2003). Spin-Orbit Coupling Effects in Two-Dimensional Electron and Hole Systems. Springer.
2. Manchon, A., et al. (2015). "New perspectives for Rashba spin-orbit coupling." Nat. Mater., 14, 871-882.
3. Hoffmann, A. (2013). "Spin Hall Effects in Metals." IEEE Trans. Magn., 49(10), 5172-5193.