[論文レビュー] Machine learning assisted measurement of local topological invariants

M. D. Caio, Marco Caccin+3 more|arXiv (Cornell University)|Jan 10, 2019

Topological Materials and Phenomena参考文献 4被引用数 4

ひとこと要約

本論文では、走査トンネル顕微鏡からの実験的に入手可能な局所状態密度（LDOS）データを用いて、1次元キラル系における局所トポロジカル不変量—特に巻き付きマークャー—を推定する機械学習的手法を提案する。局所状態密度プロファイルを用いて訓練された畳み込みニューラルネットワークにより、空間的に平均化された巻き付きマークャーを高精度に予測可能であり、輸送測定が困難な複合系でさえも、非破壊的かつ高精度にトポロジカル位相を区別できる。

ABSTRACT

The continuous effort towards topological quantum devices calls for an efficient and non-invasive method to assess the conformity of components in different topological phases. Here, we show that machine learning paves the way towards non-invasive topological quality control. To do so, we use a local topological marker, able to discriminate between topological phases of one-dimensional wires. The direct observation of this marker in solid state systems is challenging, but we show that an artificial neural network can learn to approximate it from the experimentally accessible local density of states. Our method distinguishes different non-trivial phases, even for systems where direct transport measurements are not available and for composite systems. This new approach could find significant use in experiments, ranging from the study of novel topological materials to high-throughput automated material design.

研究の動機と目的

• 輸送測定が不適切な量子デバイスにおけるトポロジカル位相を非破壊的に評価する手法を開発すること。
• 固体系において局所トポロジカル不変量（たとえば巻き付きマークャー）を直接測定する課題に対処すること。
• 実験的に入手可能なLDOSデータのみを用いて、異なる整数不変量を持つトポロジカル位相を区別できること。
• 人工ニューラルネットワークが、無秩序系や複合系でさえもLDOS内の空間的パターンから局所トポロジカル秩序を学習して推定できることを示すこと。

提案手法

• 局所状態密度（LDOS）プロファイルから空間的に平均化された巻き付きマークャーを予測するため、畳み込みニューラルネットワーク（CNN）を用いた教師あり機械学習フレームワークを採用する。
• トレーニングデータセットは、キラル対称性を有する1次元キタエフチェーンハミルトニアンの族から計算されたLDOSプロファイルと、それに対応する巻き付きマークャー値から構成される。
• ネットワークは、$ L_c/6 $ のサイズを持つ領域の中心が $ L_c/4 $ および $ 3L_c/4 $ に位置する部分について、その平均巻き付きマークャーを予測するように訓練される。これにより、局所的な位相の区別が可能になる。
• この手法は、LDOSにおけるエッジ状態のシグネチャーを活用して、グローバル不変量が直接測定できない場合でもトポロジカル秩序を推定する。
• ネットワークは均質系および複合系の両方で評価され、予測誤差は二乗平均平方誤差（RMSE）を用いて定量的に評価される。
• このアプローチは無秩序系に対してもロバストであり、接触測定を必要としないため、トポロジカル材料の非破壊的試験に適している。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、1次元キラル系において、実験的に入手可能なLDOSデータから局所トポロジカル不変量を高精度に予測できるか？
• RQ2 モデルは、LDOSプロファイルのみを用いて、異なる整数巻き付き数を持つトポロジカル位相を区別できるか？
• RQ3 異なるトポロジカル位相に属する領域を含む複合系において、モデルの性能はどの程度か？
• RQ4 ニューラルネットワークは、より大きなまたはより複雑なハミルトニアン族へどの程度一般化できるか？
• RQ5 この手法は非破壊的であり、トポロジカル量子デバイス開発における高スループット材料スクリーニングに適しているか？

主な発見

• 複合系（$ L_c = 200 $）において、平均巻き付きマークャーの予測で二乗平均平方誤差（RMSE）が 0.289(1) に達し、高い予測精度を示した。
• 無秩序によってエッジ状態が隠蔽されていても、自明位相と非自明位相を明確に区別できた。
• ある領域の予測された巻き付きマークャーは、その領域の実際の値と強く相関しており、反対側の領域とは相関がなかった。これにより、予測の空間局所性が確認された。
• エッジ状態の数え上げに依存せず、異なる整数不変量（例：$ w = 0 $, $ -1 $）を持つ位相を区別できる。
• このアプローチは無秩序系に対してもロバストであり、接触測定を必要としないため、実装済みトポロジカルデバイスの非破壊的試験に最適である。
• このフレームワークは、2次元系におけるチャーンマークャーなどの他の局所トポロジカルマークャーへも拡張可能であり、特定の実験的ハミルトニアン族にカスタマイズ可能である。