利用持续同调的光子能带结构设计

持续同调这一机器学习技术通过在一系列特征尺度上计算拓扑特征来对复杂系统或数据集进行分类。将持续同调应用于表征自旋模型和多量子比特纠缠态等物理系统正引起越来越多的关注。在此，我们提出将持续同调作为表征和优化周期性光子介质能带结构的工具。以蜂窝光子晶格 Haldane 模型 为例，我们展示了持续同调如何能够可靠地对超出拓扑能带理论常规范式的各种能带结构进行分类，包括“护城河能带”和多谷色散关系，从而控制嵌入晶格中的量子发射器的性质。该方法有望用于光子晶体和莫尔超晶格等更复杂系统的自动化设计。