[論文レビュー] Machine Learning the Disorder Landscape of Majorana Nanowires

Jacob Taylor, Jay D. Sau+1 more|arXiv (Cornell University)|Jul 20, 2023

Topological Materials and Phenomena参考文献 5被引用数 6

ひとこと要約

本稿では、トンネル伝導度測定値を逆に解き、マヨラナナノワイヤー内の不純物ポテンシャルを一意に再構成する機械学習フレームワークを提案する。この手法により、トポロジカル不変量およびスピン軌道結合の直接推定が可能となり、R² > 0.99の高い忠実度で再構成が達成され、トポロジカル相転移の客観的同定が可能となる。

ABSTRACT

We develop a practical machine learning approach to determine the disorder landscape of Majorana nanowires by using training of the conductance matrix and inverting the conductance data in order to obtain the disorder details in the system. The inversion carried out through machine learning using different disorder parametrizations turns out to be unique in the sense that any input tunnel conductance as a function of chemical potential and Zeeman energy can indeed be inverted to provide the correct disorder landscape. Our work opens up a qualitatively new direction of directly determining the topological invariant and the Majorana wave-function structure corresponding to a transport profile of a device using simulations that quantitatively match the specific conductance profile. In addition, this also opens up the possibility for optimizing Majorana systems by figuring out the (generally unknown) underlying disorder only through the conductance data. An accurate estimate of the applicable spin-orbit coupling in the system can also be obtained within the same scheme.

研究の動機と目的

• マヨラナナノワイヤーにおける未知の不純物が、真のトポロジカルマヨラナ零モードの同定を曇らせるという重要な課題に対処すること。
• 実験的に測定可能なトンネル伝導度データから、背後にある不純物ポテンシャルを再構成する実用的な逆問題手法を開発すること。
• 主観的解釈を伴わず、データ駆動型の方法でトポロジカル不変量およびマヨラナ零モードの存在を客観的に同定すること。
• スピン軌道結合といった重要な物理的パラメータを、既知のシステムパラメータの最小限のセットに依存して、伝導度測定値から推定すること。

提案手法

• 不純物ポテンシャル $V_{\text{dis}}(x)$ とスピン軌道結合 $\alpha$ を除き、固定パラメータを持つ1次元ボゴリューボフ＝デ・ゲーンズ（BdG）ハミルトニアンモデルを用いる。
• 化学ポテンシャル $\mu$ とゼーマン場 $B_x$ に対して、さまざまな不純物実現の下でトンネル伝導度 $G_{LL}, G_{RR}, G_{LR}, G_{RL}$ を計算する。
• 5+1または10+1成分パラメータ化を用い、伝導度データから対応する不純物ポテンシャル成分と $\alpha$ を予測するため、ゲート付き再帰型ユニット（GRUs）を備えた再帰型ニューラルネットワーク（RNN）を訓練する。
• 一般化を向上させるために、データを平均0、分散1に正規化し、スケーリング済みの $R^2$ を評価指標として用いる。
• 予測された不純物とその結果として得られる伝導度を真値シミュレーションと比較することで、モデルの妥当性を検証し、再構成の忠実度を確認する。
• 予測された不純物から計算されたトポロジカル不変量 $T_{IV}$ を真値と比較し、トポロジカル相の再構成が正しくなされているかを検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、マヨラナナノワイヤーにおける不純物ポテンシャルを、トンネル伝導度データから一意に逆に再構成できるか？
• RQ2 再構成された不純物が、元の伝導度およびトポロジカル不変量プロファイルをどの程度正確に再現できるか？
• RQ3 スピン軌道結合 $\alpha$ が事前に不明であっても、伝導度データのみからその値を信頼性高く推定できるか？
• RQ4 機械学習に基づく再構成により、輸送データからのトポロジカル相の同定における主観的解釈が排除されるか？
• RQ5 本手法は、伝導度測定値のみを用いて、システム内の他の未知パラメータを一般化して推定できるか？

主な発見

• 機械学習モデルは、予測された不純物成分と真値との間に $R^2 > 0.99$ を達成し、不純物ポテンシャルの高精度再構成を実現した。
• 再構成された不純物は、$\mu$ と $B_x$ 全域において元の伝導度データを正確に再現し、モデル下で逆問題が一意かつ解けることが確認された。
• 予測された不純物から計算されたトポロジカル不変量 $T_{IV}$ は真値と一致し、トポロジカル領域の客観的同定が可能となった。
• 事前に $\alpha$ が不明であっても、本手法は高い精度でスピン軌道結合を推定できた。
• 異なる不純物実現に対して本手法は一般化可能であり、$T_{IV}$ および伝導度の予測性能を維持した。純粋（不純物なし）なサンプルとの比較からもその有効性が示された。
• 本フレームワークにより、与えられた伝導度プロファイルがトポロジカル超伝導相に対応するかどうかを直接的かつ定量的に検証可能となり、MZM同定における曖昧さが解消された。