基于 Transformer 的几何层析成像在耗散原子模拟器中检测复能编织拓扑
量子气体
2026-03-30 v1 量子物理
摘要
机器学习 (ML) 正在塑造我们对拓扑物质的研究，其存在本质上与量子态或能谱的几何相关。在非厄米系统中，独特的能谱几何可以导致复能带的拓扑编织，但直接探测这种拓扑-几何相互作用仍然具有挑战性。本文引入了一个基于 Transformer 的 ML 框架来捕捉这种相互作用，并在耗散冷原子模拟器中进行了实验演示。利用玻色-爱因斯坦凝聚体，我们工程化了可调谐耗散二能级系统，其复本征能量形成编织。由于密度依赖的耗散，瞬时能编织在短时间与长时间表现出拓扑上不同的结构。Transformer 不仅准确预测了各种能编织的拓扑不变量，而且通过其自注意力机制，自主地突出了能带交叉作为支配性的底层几何特征。本工作为 ML 引导的非厄米拓扑相探索铺平了道路，涵盖冷原子及更广泛的领域。
引用
@article{arxiv.2603.25775,
title = {Detecting Complex-Energy Braiding Topology in a Dissipative Atomic Simulator with Transformer-Based Geometric Tomography},
author = {Yang Yue and Nan Li and Xin Zhang and Chenhao Wang and Zeming Fang and Zhonghua Ji and Liantuan Xiao and Suotang Jia and Yanting Zhao and Liang Bai and Ying Hu},
journal= {arXiv preprint arXiv:2603.25775},
year = {2026}
}
备注
6 figures,accepted by Nature Communications