无监督学习在识别马约拉纳拓扑中的惊人有效性

在无监督学习中，深度学习的训练数据没有标签，这迫使算法发现数据中隐藏的模式，以辨别有用信息。从原理上讲，这可能是识别拓扑秩序的强大工具，因为拓扑秩序并不总是以显而易见的物理方式呈现（例如拓扑超导性），其决定性确认方式并不总是明显。问题在于，无监督学习是一个困难的挑战，需要巨大的计算资源，这可能并不总是有效。在当前工作中，我们结合无监督学习和监督学习使用自编码器，证明在真实短受扰动纳米线中未标记的数据对于马约拉纳分裂，可能不仅能够区分“拓扑”和“平凡”，还能在相关参数空间中确定其交叉点。这可能是识别马约拉纳纳米线中拓扑性质的有用工具。