机器学习辅助的局域拓扑不变量测量
无序系统与神经网络
2019-01-24 v2 介观与纳米尺度物理
材料科学
摘要
为实现拓扑量子器件的持续努力,需要一种高效且非侵入性的方法来评估不同拓扑相中组分的符合性。在此,我们展示机器学习为非侵入性拓扑质量控制开辟了道路。为此,我们使用一种能够区分一维线拓扑相的局域拓扑标记。在固态系统中直接观测该标记具有挑战性,但我们表明人工神经网络可以从实验可获取的局域态密度中学习并近似该标记。我们的方法能够区分不同的非平庸相,即使对于无法直接进行输运测量的体系以及复合体系也是如此。这一新方法可在实验中得到重要应用,范围从新型拓扑材料研究到高通量自动化材料设计。
引用
@article{arxiv.1901.03346,
title = {Machine learning assisted measurement of local topological invariants},
author = {Marcello D. Caio and Marco Caccin and Paul Baireuther and Timo Hyart and Michel Fruchart},
journal= {arXiv preprint arXiv:1901.03346},
year = {2019}
}