Floquet 拓扑相边界的无监督识别

非平衡拓扑物质一直是理论与实验关注的热点课题。在静态系统中无法获得的多种奇异拓扑相可在非平衡情形下出现，往往挑战我们的物理直觉。如何定位不同非平衡拓扑相之间的边界，是推动拓扑表征并进一步理解相变行为的重要问题。本工作中，我们发展了一种无监督机器学习方案，通过将被驱动一个周期内的系统动力学、时间维度上的绝热形变以及系统对称性全部纳入机器学习算法，来区分不同的 Floquet（周期驱动）拓扑相。两个丰富案例的研究结果表明，机器学习能够可靠地揭示复杂的拓扑相边界，因而可成为发现由时间维度带来的新颖拓扑物质的强有力工具。