从实验数据无监督机器学习拓扑相变
量子气体
2021-07-14 v2 无序系统与神经网络
介观与纳米尺度物理
量子物理
摘要
识别相变是量子多体物理中的关键挑战之一。近来，机器学习方法已被证明是另一种定位相边界的方式，即便面对含噪声和不完美的数据，且在不知序参数的情况下也可行。在此，我们将包括异常检测和影响函数在内的不同无监督机器学习技术应用于超冷原子的实验数据。由此我们以完全无偏的方式获得了 Haldane 模型的拓扑相图。我们表明，这些方法可成功应用于有限温度下的实验数据以及 Floquet 系统的数据，只需将数据后处理为单一微运动相位。我们的工作为复杂多体系统中新奇异相的无监督探测提供了基准。
引用
@article{arxiv.2101.05712,
title = {Unsupervised machine learning of topological phase transitions from experimental data},
author = {Niklas Käming and Anna Dawid and Korbinian Kottmann and Maciej Lewenstein and Klaus Sengstock and Alexandre Dauphin and Christof Weitenberg},
journal= {arXiv preprint arXiv:2101.05712},
year = {2021}
}
备注
19 pages, 12 figures