基于纠缠特征的拓扑相变深度学习：一种无监督方法

机器学习技术已被证明能有效识别物质的不同相并在感兴趣的参数空间中生成相图，但它们通常需要先验标记数据才能表现良好。此处，我们提出一种主要无监督的机器学习流程，可先识别拓扑/非拓扑相，再细化相边界位置。遵循该流程，我们扩展了先前关于一维$p$波超导体[Phys. Rev. B 102, 054512 (2020)]的工作，并进一步推广到Su-Schrieffer-Heeger模型，重点使用基于量子纠缠的量作为输入特征。我们发现，我们的方法不仅复现了先前具有尖锐相边界的类似结果，而且重要的是它不依赖相空间的先验知识（例如存在的相数）。最后我们就其潜力、局限性和可解释性作了若干评述。