基于机器学习辅助的拓扑超导体 FeTe0.55Se0.45 中 Majorana 零模的解码
超导电性
2026-02-20 v2
摘要
在拓扑超导体 (TSC) 中明确识别 Majorana 零模 (MZMs) 仍具有挑战，因为复杂的带内态也可能产生零偏置电导峰 (ZBP)。我们演示了一个数据驱动的工作流程，将像素级光谱分解与机器学习 (ML) 集成，用于分析来自 FeTe0.55Se0.45 的 tunneling 光谱，该材料是一种内在 TSC。基于在磁场下以毫开尔文温度的扫描隧道显微镜获取的局部密度态 (LDOS) 光谱，每个光谱被分解为多个 Lorentz 高斯峰。提取的峰参数被整合为结构化特征集，并使用无监督 ML 算法进行嵌入和聚类。ML 基于聚类的识别出 LDOS 光谱的不同类别，将具有与 MZMs 一致特征的超导体涡旋与显示 ZBP 模仿特征的涡旋区分开来。此外，空间分辨的 ZBP 分布区分了具有明确 ZBP 的各向同性涡旋心与呈现局部失真 ZBP 的涡旋。通过将 ZBP 分布与在无磁场下测得的缺陷位置进行比较，我们发现局部异质性与 ZBP 形成相关，这表明需要系统的数据驱动方法来消除 TSC 中真正 MZM 特征的混淆。该客观且可重复的工作流程推进了 TSC 中可靠的 MZM 检测，为量子计算中的 MZM 操控奠定了基础。
关键词
引用
@article{arxiv.2602.15178,
title = {Deciphering Majorana Zero Modes in Topological Superconductor FeTe0.55Se0.45 with Machine-Learning-Assisted Spectral Deconvolution},
author = {Jewook Park and Hoyeon Jeon and Dongwon Shin and Guannan Zhang and Michael A McGuire and Brian C. Sales and An-Ping Li},
journal= {arXiv preprint arXiv:2602.15178},
year = {2026}
}