机器学习引导的稳定自旋分辨拓扑绝缘体的发现

识别二维自旋ful绝缘体中非平凡的 $\mathbb{Z}_{2}$ 索引，表明存在奇数、量化的（伪）自旋分辨 Chern 数，$C_{s}=(C_{\uparrow}-C_{\downarrow})/2$。然而，该结论不成立等价。当熟悉的 $\mathbb{Z}_{2}$ 索引消失时，奇数自旋-Chern 数仍可存活。鉴于此类绝缘体可能支持实验和量子器件最佳带隙，识别承托奇数、量化 $C_{s}$ 且 $\mathbb{Z}_{2}$ 索引平凡的固体系统是迫切的任务。然而，由于其发现与计算成本相关，此类系统尚难发现。本文开发了一种识别自旋-Chern 数的神经网络，并用于识别首个承托 $\mathbb{Z}_{2}$ 索引平凡且奇数 $C_{s}$ 的固体系统。我们展示了 such 系统 Ti$_{2}$CO$_{2}$ 通过超导性 proximity 效应可支持 Majorana 角点模式。