Aug, 2017

用神经网络进行机器学习拓扑不变量

PDF
TL;DR本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相，经过训练，即使是大于训练数据的的 Hamiltonians winding number，神经网络也能够预测其拓扑缠绕数，证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时，本文确认了神经网络学到了离散版本的缠绕数公式，在运用机器学习到物理系统时，研究了对称性的作用和正则化技术的相反影响。
发现论文，激发创造
  • 机器学习拓扑态

    本文利用人工神经网络和机器学习研究了量子物理中的拓扑相，证明了短程神经网络能够精确有效地表示拓扑相的基态，能够描述受强相互作用影响非可积哈密顿量的拓扑相变，从而为通用格模型的拓扑相机器学习提供了指导。

    Sep, 2016

  • 机器学习物态相

    采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

    May, 2016

  • 拓扑光子学的机器学习反问题

    利用机器学习的方法解决拓扑相反问题，用于识别复杂拓扑绝缘体的参数，以获得在目标频率下的受保护边缘状态，并解决了直接问题的多值分支和非物理解问题。应用于一个实际的拓扑激光设计，结果表明这种新的基于机器学习的逆向设计技术可能扩展到拓扑光子学的许多应用领域。

    Mar, 2018

  • 机器学习的非平衡物态相

    本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

    Oct, 2017

  • 非厄米拓电路设计的深度学习

    利用深度学习中的多层感知器、卷积神经网络等算法，预测特征非厄米哈密顿量的本征值。使用高维电路数据特征构建非厄米拓扑舱数据，采用 DenseNet 算法来处理高维数据，有效地捕获训练数据中非厄米系统的全局拓扑特征。

    Feb, 2024

  • 利用机器学习识别泄漏光子晶格的拓扑结构

    利用有限的测量数据，我们展示了如何应用机器学习技术对漏电光子晶格中的拓扑相进行分类。我们提出了一种仅基于体积强度测量的方法，免除了复杂的相位恢复过程的需求。特别地，我们设计了一个完全连接的神经网络，从模拟实验条件中的双线波导阵列中的输出强度分布准确确定拓扑性质，通过在有限距离上传播局部化的初始激发。

    Aug, 2023

  • 强关联费米子的机器学习阶段

    使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

    Sep, 2016

  • 通过混淆学习相变

    利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

    Oct, 2016

  • 拓扑性，还是非拓扑性？基于深度学习的预测

    新材料，量子科学与技术，深度学习模型，持久同调，图神经网络

    Oct, 2023

  • 深度学习格点规范理论

    使用神经网络量子态精确计算二维时空中 Z_N 格点规范理论的基态，并通过转移学习研究其拓扑相和限制相变。在 Z_2 和 Z_3 情况下，分别发现了连续相变和弱一级相变，并计算了临界指数和临界耦合，表明神经网络量子态在格点规范理论研究中有很大潜力。

    May, 2024