用机器学习刻画 Majorana 纳米线的无序景观

我们开发了一种实用的机器学习方法,通过训练电导矩阵并反演电导数据来确定 Majorana 纳米线的无序景观,从而获得系统中的无序细节。使用不同无序参数化、通过机器学习进行的反演被证明是唯一的,即任何作为化学势与 Zeeman 能量函数的输入隧穿电导确实可被反演以给出正确的无序景观。我们的工作开辟了一个定性全新的方向:利用与特定电导轮廓定量匹配的模拟,直接确定对应于器件输运轮廓的拓扑不变量与 Majorana 波函数结构。此外,这也开启了仅通过电导数据推算(通常未知的)潜在无序来优化 Majorana 系统的可能性。在同一方案内也可获得系统中适用自旋轨道耦合的准确估计。