基于机器学习的非Bloch能带拓扑能量编绉
介观与纳米尺度物理
2024-12-31 v1 无序系统与神经网络
机器学习
摘要
机器学习已用于识别 various 物理系统中的相变，但仍缺乏针对非Hermitian系统中非Bloch能量编绉的相关研究。本文使用无监督和监督方法研究一维非Hermitian系统中的非Bloch能量编绉。在无监督学习中，我们利用扩散图谱成功识别非Bloch能量编绉，且结合k-means将不同的拓扑元素聚类，如Unlink和Hopf link。在监督学习中，我们基于Bloch能数据训练卷积神经网络(CNN)，不仅能预测Bloch能量编绉，还能预测非Bloch能量编绉，准确率接近100%。通过分析CNN，我们可以确定网络已成功获取识别能带编绉拓扑的能力。本研究表明，机器学习在识别非Hermitian拓扑相和能量编绉方面具有巨大的潜力。
引用
@article{arxiv.2408.01141,
title = {Machine learning topological energy braiding of non-Bloch bands},
author = {Shuwei Shi and Shibing Chu and Yuee Xie and Yuanping Chen},
journal= {arXiv preprint arXiv:2408.01141},
year = {2024}
}