[논문 리뷰] Machine learning assisted measurement of local topological invariants

M. D. Caio, Marco Caccin외 3명|arXiv (Cornell University)|2019. 01. 10.

Topological Materials and Phenomena참고 문헌 4인용 수 4

한 줄 요약

이 논문은 스캐닝 턨널링 현미경에서 확보할 수 있는 실험적으로 접근 가능한 국소 상태 밀도(LDOS) 데이터를 사용하여, 일차원 캐리얼 시스템에서 국소 위상적 불변량—특히 와인딩 마커—를 추론하기 위한 기계학습 접근법을 제안한다. 국소 상태 밀도 프로파일을 기반으로 컨volutional 신경망을 훈련시킴으로써, 공간적으로 평균화된 와인딩 마커를 정확하게 예측할 수 있으며, 이는 전도도 측정이 불가능한 복합 시스템에서도 비파괴적이고 고정밀도로 위상적 상들 간의 구분을 가능하게 한다. 이는 정수 불변량이 다른 위상적 상들 간의 분류를 가능하게 한다.

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.

연구 동기 및 목표

• 전도도 측정이 어려운 경우에도 양자 장치의 위상적 상을 비파괴적으로 평가할 수 있는 방법을 개발하기 위해.
• 고체계에서 직접적으로 국소 위상적 불변량—예를 들어 와인딩 마커—를 측정하는 데 도전하는 문제를 해결하기 위해.
• 실험적으로 확보 가능한 LDOS 데이터만을 사용하여 정수 불변량이 다른 위상적 상들 간의 구분을 가능하게 하기 위해.
• 인공 신경망이 국소적 위상적 질서를 LDOS의 공간적 패턴으로부터 학습할 수 있음을 보여주기 위해, 특히 불순물이나 복합 시스템에서도 성립함을 입증하기 위해.

제안 방법

• 국소 상태 밀도(LDOS) 프로파일을 공간적으로 평균화된 와인딩 마커로 매핑하기 위해, 컨volutional 신경망(CNN)을 사용하는 지도 기반 기계학습 프레임워크를 도입하였다.
• 훈련 데이터셋은 일차원 키타에프 체인 해밀토니안 가족에서 유도된 LDOS 프로파일과 그에 해당하는 와인딩 마커 값으로 구성되어 있으며, 이는 캐리얼 대칭성을 가진다.
• 신경망은 $ L_c/6 $ 크기의 영역에서 중심이 $ L_c/4 $ 및 $ 3L_c/4 $ 에 위치한 부분에서 평균 와인딩 마커를 예측하도록 훈련된다. 이는 국소적 위상 상 구분을 가능하게 한다.
• 전도도의 가장자리 상태 서명을 활용하여, 전체 불변량이 직접 측정되지 않더라도 위상적 질서를 추론할 수 있다.
• 모델은 균일한 시스템과 복합 시스템 양쪽 모두에서 평가되었으며, 루트 평균 제곱 오차(RMSE)를 통해 성능이 정량화되었다.
• 이 방법은 불순물에 대해 강건하며, 접촉 기반 측정이 필요 없어, 위상 물질의 비파괴적 테스트에 적합하다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 실험적으로 접근 가능한 LDOS 데이터를 사용하여, 일차원 캐리얼 시스템에서 국소 위상적 불변량을 정확하게 예측할 수 있는가?
• RQ2 모델은 LDOS 프로파일만을 사용하여 정수 와인딩 수가 다른 위상적 상들을 구분할 수 있는가?
• RQ3 다양한 위상적 상에 있는 영역들로 구성된 복합 시스템에서 모델의 성능은 어떠한가?
• RQ4 신경망은 더 큰 또는 더 복잡한 해밀토니안 가족으로 일반화될 수 있는가?
• RQ5 이 방법은 비파괴적이며, 위상 양자 장치 개발에서 고속 물질 선별에 적합한가?

주요 결과

• 복합 시스템의 길이 $ L_c = 200 $ 에서 평균 와인딩 마커를 예측하는 데 루트 평균 제곱 오차(RMSE)가 0.289(1)에 도달하여 높은 예측 정확도를 보였다.
• 불순물에 의해 가장자리 상태가 가림에도 불구하고, 모델은 비자명한 위상적 상과 자명한 위상적 상을 성공적으로 구분하였다.
• 한 영역의 예측된 와인딩 마커는 그 영역의 실제 값과 강한 상관관계를 보였고, 반대 영역과는 상관관계가 없었으며, 이는 예측의 공간 국소성의 확인을 가능하게 하였다.
• 가장자리 상태의 수를 세는 데 의존하지 않더라도, 정수 불변량이 다른 위상적 상들(예: $ w = 0 $, $ -1 $) 간의 분류가 가능해졌다.
• 이 방법은 불순물에 강건하며, 접촉 기반 측정이 필요 없어, 제작된 위상 장치의 비파괴적 테스트에 이상적이다.
• 이 프레임워크는 2차원 시스템의 츄른 마커와 같은 다른 국소 위상 불변량으로 확장 가능하며, 특정 실험적 해밀토니안 가족에 맞게 조정될 수 있다.