基于人工智能的非厄米特拓扑相在对称性下的无监督分类
介观与纳米尺度物理
2025-11-18 v2
摘要
人工智能（AI）的集成已为解决根植于数学局限性的长期科学挑战开辔新可能性。例如，拓扑不变量用于表征拓扑性，但不存在普遍适用的一种。此限制解释了为何在过去数十年中，主要关注厄米特系统的拓扑相长期分类——许多最初被分类为“平凡”的相，后来被识别为拓扑相。最近，发现非厄米特带拓扑，推动了大量工作开展在非厄米特拓扑分类中，包括开发新的拓扑不变量。然而，这些分类同样风险忽视关键拓扑特征。本文在不依赖任何拓扑不变量的情况下，发展了一种用于对称性受保护的非厄米特拓扑相的 AI 驱动无监督分类算法。该算法在具有对称性的非厄米特哈密顿量之间区分拓扑差异，并以无监督方式构建非厄米特系统的拓扑周期表。此外，它能够考虑边界效应，使我们能够探讨开边界效应对拓扑相图的影响。这些结果引入了一种在不遗漏任何内容的情况下对称性受保护的非厄米特拓扑相进行分类的方法，为理论与实验的开发提供了有价值的指导。
引用
@article{arxiv.2412.20882,
title = {Unsupervised Classification of Non-Hermitian Topological Phases under Symmetries},
author = {Yang Long and Haoran Xue and Baile Zhang},
journal= {arXiv preprint arXiv:2412.20882},
year = {2025}
}