基于 Vision Transformer 的拓扑指标深度学习：马约拉纳纳米线中的拓扑指纹

1 维超导-半导体纳米线是实现拓扑量子计算的领导候选方案，因其能够承载非阿贝尔马约拉纳零模 (MZMs)。然而，识别 MZMs 的标准方法在存在无序性时常常不够，特别是当许多被认为是 MZMs 信号的性质实际上是由平凡的无序诱导的安德烈夫结合状态产生的。最近的研究明确指出，迫切需要开发新的技术来识别和诊断 MZMs。本研究利用广义基于 Vision Transformer 的神经网络方法，利用隧穿电导测量，预测该设备在无序性存在下是否呈现拓扑 MZMs 相，并绘制整个拓扑相图。我们展示了该方法在识别 MZMs 承载拓扑相的能力可达任意置信度（$P>0.9998$），适用于各种无序参数。我们演示了从电导测量预测基于局部态密度 (LDOS) 的替代性马约拉纳指纹的能力，这与广泛使用的散射矩阵不变式拓扑指纹相比，因而在短无序导线中拓扑性可能不唯一由散射不变式定义。该工作为实现基于马约拉纳的量子设备的实际实现提供了重要进展，使我们能够通过深度学习来理解无序纳米线系统中的拓扑性质。我们使用大量仿真的马约拉纳结果验证了该方法，并建议用于分析超导-半导体混合马约拉纳平台中的实验数据。