深度学习揭示整数与分数拓扑绝缘体
强关联电子
2025-03-18 v1 介观与纳米尺度物理
材料科学
计算物理
摘要
电子拓扑物相由源自拓扑非平庸体态的稳健边界态所表征，对下一代电子器件至关重要。然而，理解其复杂的量子相，尤其是在较大尺度和具有强电子关联的分数填充下，长期以来一直构成严峻的计算挑战。在此，我们采用深度学习框架来表达扭曲 系统中拓扑态的多体波函数，其中观测到了多种拓扑态。利用神经网络，我们展示了识别和表征拓扑相的能力，包括整数和分数 Chern 绝缘体以及 拓扑绝缘体。我们的深度学习方法在计算效率和准确性上均显著优于传统方法，使我们能够研究更大的系统并区分竞争相，如分数 Chern 绝缘体与电荷密度波。我们的预测与实验观测高度吻合，突显了深度学习技术在探索拓扑与强关联现象丰富图景方面的潜力。
引用
@article{arxiv.2503.11756,
title = {Deep Learning Sheds Light on Integer and Fractional Topological Insulators},
author = {Xiang Li and Yixiao Chen and Bohao Li and Haoxiang Chen and Fengcheng Wu and Ji Chen and Weiluo Ren},
journal= {arXiv preprint arXiv:2503.11756},
year = {2025}
}