机器学习非厄米拓扑相
介观与纳米尺度物理
2021-02-11 v4 无序系统与神经网络
摘要
非厄米拓扑相因其无厄米对应物的反常性质而受到广泛关注。在这项工作中，我们提出利用机器学习基于绕数来识别和预测非厄米拓扑相。我们考虑了两个例子——一维的非厄米Su-Schrieffer-Heeger模型及其推广版本，以及三维的非厄米节线半金属——以展示使用神经网络精确表征拓扑相。我们表明，对于一维模型，全连接神经网络给出的准确率大于99.9%，并且对引入的无序具有鲁棒性。对于三维模型，我们发现卷积神经网络能准确预测不同的拓扑相。
引用
@article{arxiv.2009.06476,
title = {Machine learning non-Hermitian topological phases},
author = {Brajesh Narayan and Awadhesh Narayan},
journal= {arXiv preprint arXiv:2009.06476},
year = {2021}
}
备注
Published version