[论文解读] Unsupervised detection of topological quantum state equivalences

Oleksandr Balabanov, Mats Granath|arXiv (Cornell University)|Aug 9, 2019

Topological Materials and Phenomena被引用 1

一句话总结

该论文提出了一种无监督深度学习框架，通过‘拓扑数据增强’过程生成拓扑不变的数据，以识别拓扑量子态的等价性。利用拓扑等价态的伪标签集合，该方法训练神经网络以近乎完美的准确率将任意量子态分类为拓扑类别，即使在训练范围之外也表现良好，该方法在具有绕数和陈数的1D和2D双带绝缘体上得到了验证。

ABSTRACT

Unsupervised machine learning is a cornerstone of artificial intelligence as it provides algorithms capable of learning tasks, such as classification of data, without explicit human assistance. We present an unsupervised deep learning protocol for finding topological indices of quantum systems. The core of the proposed scheme is a 'topological data augmentation' procedure that uses seed objects to generate ensembles of topologically equivalent data. Such data, assigned with dummy labels, can then be used to train a neural network classifier for sorting arbitrary objects into topological equivalence classes. Our protocol is explicitly illustrated on 2-band insulators in 1d and 2d, characterized by a winding number and a Chern number respectively. By using the augmentation technique also in the classification step we can achieve accuracy arbitrarily close to 100% even for objects with indices outside the training regime.

研究动机与目标

• 开发一种无监督机器学习协议，无需人工标注数据即可识别量子系统中的拓扑不变量。
• 解决在缺乏或无法获取标注训练数据时分类拓扑量子态的挑战。
• 通过数据增强实现对初始训练分布之外的拓扑指标的泛化能力。
• 在具有绕数和陈数作为拓扑不变量的1D和2D双带绝缘体上展示该方法的有效性。

提出的方法

• 该方法采用‘拓扑数据增强’过程，从种子对象生成一系列拓扑等价的量子态集合。
• 将这些增强后的数据点赋予伪标签，并用于无监督方式预训练神经网络分类器。
• 在推理过程中，使用相同的增强技术对分类器进行微调，以提升泛化能力。
• 该方法利用生成数据的拓扑不变性，确保网络学习的是拓扑等价性，而非偶然模式。
• 该协议应用于1D和2D双带绝缘体，以绕数和陈数作为拓扑指标。
• 该方法即使在原始训练集中未出现的指标下，也能实现高精度分类。

实验结果

研究问题

• RQ1 无监督深度学习能否在无需显式标注的情况下检测量子系统中的拓扑不变量？
• RQ2 如何设计数据增强方法以在量子态流形中保持拓扑等价性？
• RQ3 在有限拓扑指标集合上训练的分类器，其泛化能力在多大程度上可扩展至未见的指标？
• RQ4 在推理阶段是否可应用相同的增强过程以提升训练范围之外的分类准确率？

主要发现

• 所提出的方法在1D和2D双带绝缘体上实现了接近100%的分类准确率，即使对于训练分布之外的拓扑指标也表现优异。
• 拓扑数据增强使网络能够通过生成多样化但拓扑一致的数据样本，学习到拓扑等价性。
• 在训练过程中使用伪标签使网络能够在不依赖拓扑指标监督的情况下学习到不变表示。
• 该方法在未见训练数据的指标下仍能有效泛化，表现出对分布偏移的鲁棒性。
• 当在推理阶段应用相同的增强技术时，分类器保持高性能，证实了其可靠性。