Evaluation of real-space second Chern number using the kernel polynomial method

Resumen Técnico: Evaluación del Número de Chern Segundo en el Espacio Real mediante el Método de Polinomios de Kernel

Planteamiento del Problema
Las fases topológicas en sistemas de $2n$ dimensiones, como los aislantes de Chern de cuatro dimensiones (4D) caracterizados por el segundo número de Chern ($C_2$), y los sistemas de seis dimensiones (6D) caracterizados por el tercer número de Chern ($C_3$), se definen tradicionalmente en el espacio de momentos. Esta definición depende de la invariancia traslacional, la cual suele estar ausente en sistemas reales que contienen desorden o cuasiperiodicidad. Aunque existen formulaciones en el espacio real para abordar esto, los enfoques estándar que dependen de la diagonalización directa de matrices están limitados a tamaños de sistema de aproximadamente $10^4$ grados de libertad. Esta restricción de tamaño es particularmente problemática para sistemas de mayor dimensión, donde la dimensión del espacio de Hilbert crece exponencialmente ($L^{2n}$), lo que dificulta alcanzar los tamaños de sistema necesarios para que la cuantización de los invariantes topológicos emerja claramente. Los intentos previos de calcular el $C_2$ en el espacio real utilizando aproximaciones de supercelda o la fórmula de Kitaev se limitaron a tamaños de sistema de $4^4$ y $8^4$, respectivamente, y a menudo no lograron una cuantización completa debido a efectos de tamaño finito.

Metodología
Los autores emplean el Método de Polinomios de Kernel (KPM) para evaluar los números de Chern en el espacio real para tamaños de sistema significativamente mayores. El núcleo de su enfoque consiste en:

1. Modelo: Utilizan el modelo de red de Wilson-Dirac en $2n$ dimensiones, discretizado en una red hipercúbica con constante de red $a=1$. El Hamiltoniano se define utilizando matrices gamma que satisfacen el álgebra de Clifford.
2. Fórmula en el Espacio Real: Adoptan una fórmula de marcador topológico universal general para el n-ésimo número de Chern:
   $$C_n = \frac{(2\pi i)^n}{n!} \epsilon_{j_1 j_2 \dots j_{2n}} \text{Tr} (P X_{j_1} P X_{j_2} \dots P X_{j_{2n}} P)$$
   donde $P$ es el proyector sobre las bandas ocupadas y $X_j$ son los operadores de coordenadas.
3. Implementación de KPM: Para evitar la costosa diagonalización, el proyector $P$ se aproxima expandiendo la función escalón utilizando polinomios de Chebyshev hasta un orden de $M=256$. El traza se estima mediante una aproximación de traza estocástica con $R=5$ vectores de fase aleatoria. El Hamiltoniano se reescala al intervalo $[-1, 1]$ para asegurar la estabilidad numérica.
4. Desorden: Se introduce desorden de tipo Anderson mediante energías de sitio aleatorias distribuidas uniformemente en $[-W, W]$.

Contribuciones Clave y Resultados

• Número de Chern Segundo (4D) ($C_2$) en Sistemas Limpios:
  Los autores realizaron cálculos en el espacio real en sistemas 4D con hasta $30^4$ sitios (304 sitios totales en el texto, aunque la notación $30^4$ implica una longitud de lado $L=30$).

  • Cuantización: A medida que el tamaño del sistema ($L$) aumentó de 4 a 20, el $C_2$ computado numéricamente convergió hacia la predicción teórica en el espacio de momentos ($C_2 = -3$ para parámetros de masa específicos).
  • Tasa de Convergencia: El análisis de la desviación $\ln(|C_2 + 3|)$ frente al tamaño del sistema $L$ reveló un decaimiento exponencial, confirmando que los efectos de tamaño finito se vuelven insignificantes en sistemas más grandes.

• Número de Chern Segundo (4D) ($C_2$) en Sistemas con Desorden:

  • Robustez: El método capturó con éxito la estabilidad de la fase topológica bajo un desorden débil. El valor cuantizado de $C_2$ se mantuvo estable para fuerzas de desorden moderadas ($W$).
  • Diagrama de Fases: El diagrama de fases del $C_2$ promediado por desorden concordó bien con las predicciones de la aproximación de Born auto-consistente.
  • Comportamiento Crítico: Cerca de los puntos críticos (donde la brecha del bulk es pequeña), incluso un desorden débil impulsó el marcador topológico fuera de los valores cuantizados, mientras que los sistemas con brechas más grandes se mantuvieron robustos contra un desorden más fuerte.

• Cálculo Exploratorio del Tercer Número de Chern (6D) ($C_3$):
  Los autores extendieron el método a sistemas 6D para calcular el tercer número de Chern en el espacio real.

  • Acuerdo Cualitativo: Para tamaños de sistema de hasta $L=5$, los resultados numéricos mostraron un acuerdo cualitativo con las predicciones teóricas en el espacio de momentos, identificando correctamente las posiciones de las transiciones de fase.
  • Limitaciones: No se logró la cuantización completa. Los autores atribuyen esto a efectos significativos de tamaño finito y a la extrema complejidad computacional involucrada. El cálculo de $C_3$ requiere la suma de 720 términos no nulos del tensor de Levi-Civita 6D, en comparación con solo 24 términos para el caso 4D, lo que aumenta drásticamente las demandas de recursos.

Significación y Reivindicaciones
El artículo afirma representar un "paso adelante" en la caracterización en el espacio real de las fases topológicas de mayor dimensión. Su principal significación radica en demostrar que el Método de Polinomios de Kernel permite el cálculo de los números de Chern segundos en el espacio real para tamaños de sistema ($30^4$) que son órdenes de magnitud mayores que los enfoques anteriores en el espacio real ($8^4$). Esta escala es suficiente para observar la convergencia exponencial hacia los valores cuantizados en 4D, validando la utilidad del método para aislantes topológicos con desorden.

Respecto a la extensión a 6D, los autores mantienen un tono modesto, reconociendo que, si bien el método captura el comportamiento cualitativo del tercer número de Chern, los límites computacionales actuales impiden la cuantización completa. Sugieren que la integración futura con técnicas de redes de tensores puede ser necesaria para acceder a los tamaños de sistema más grandes requeridos para los valores cuantizados de $C_3$ en 6D. El trabajo no propone nuevos montajes experimentales, sino que proporciona una herramienta numérica robusta para analizar modelos teóricos existentes en presencia de desorden.