拓扑莫尔超导体中基于实空间杂质层析的哈密顿量学习

从可得的实验数据中提取哈密顿量参数是量子材料中的一个挑战。特别是,扫描隧穿谱等实空间谱学方法能够以原子分辨率探测电子态,但即便在这些情况下,提取有效哈密顿量仍是一个开放性挑战。在此我们表明,调制系统中的杂质态为提取量子材料的非平凡哈密顿量参数提供了一种有前景的方法。我们表明,通过结合莫尔拓扑超导体中不同杂质位置的实空间谱学,可以利用机器学习推断出交换和超导参数的调制。我们用一个受物理启发的谐波展开结合全连接神经网络来演示我们的策略,并将其与传统的卷积架构进行基准比较。我们表明,虽然两种方法都能提取交换调制,但只有前者能够推断超导序的特征。我们的结果展示了机器学习方法通过实空间杂质谱学作为拓扑态的局域探针来提取哈密顿量参数的潜力。