基于马约拉纳纳米线的视觉变换器神经网络：减轻无序性并优化拓扑指标
介观与纳米尺度物理
2025-07-14 v2 无序系统与神经网络
摘要
无序性是实现马约拉纳零模（MZMs）在超导体-半导体纳米线中面临的主要障碍，我们展示了深度学习如何在无序性尚未显现出任何拓扑特征的情形下，通过减轻无序性来恢复拓扑 MZMs。无序势以及通常用于将设备分类为拓扑非平凡的散射不变性（）在实验中并非直接可测量。此外，传统的 MZMs 识别特征被证明不足，因为其被无序性诱导的平凡状态意外地复制。最近的机器学习进展为解决这些问题提供了新方法，允许利用有效减轻程序来恢复被无序性压制的底层拓扑结构。在本文中，我们利用基于电导测量的视觉变换器神经网络训练，结合 CMA-ES 优化框架来动态调谐栅电压，以减轻无序性效应。与依赖间接成本函数的先前工作不同，我们的方法直接优化 以及基于局部态密度的额外拓扑指标。使用轻量级神经网络变体，我们展示，即使是高度无序的纳米线最初缺乏任何拓扑非平凡区域，也可以被转化为稳健的拓扑器件。
引用
@article{arxiv.2502.12121,
title = {Mitigating disorder and optimizing topological indicators with vision-transformer-based neural networks in Majorana nanowires},
author = {Jacob R. Taylor and Sankar Das Sarma},
journal= {arXiv preprint arXiv:2502.12121},
year = {2025}
}
备注
14 figures, 10 pages, Updated published version with a new title enforced by the journal editors