Machine learning prediction of the convergence criterion for a topological invariant of finite non-Hermitian chains

तकनीकी सारांश: परिमित गैर-हर्मिटीय श्रृंखलाओं के टोपोलॉजिकल इनवेरिएंट के अभिसरण मानदंड का मशीन लर्निंग द्वारा पूर्वानुमान

समस्या विवरण
गैर-हर्मिटीय क्वांटम प्रणालियों में, टोपोलॉजी को अक्सर जटिल ऊर्जा स्पेक्ट्रम में 'पॉइंट गैप' (point gaps) द्वारा अभिलक्षित किया जाता है, जिससे गैर-हर्मिटीय स्किन इफेक्ट (NHSE) जैसी घटनाएं उत्पन्न होती हैं, जहाँ बड़ी संख्या में आइजनस्टेट्स सीमाओं पर स्थानीयकृत (localize) हो जाते हैं। जबकि संवेग-स्थान (momentum-space) वाइंडिंग संख्या ($w$) ट्रांसलेशनली इनवेरिएंट प्रणालियों में टोपोलॉजी को परिभाषित करती है, परिमित ओपन श्रृंखलाओं के लिए वास्तविक-स्थान (real-space) टोपोलॉजिकल इनवेरिएंट्स की आवश्यकता होती है। पोलर-डिकंपोजिशन वास्तविक-स्थान इनवेरिएंट ($w_{PD}$) इसके लिए एक प्राथमिक उम्मीदवार है। हालाँकि, $w_{PD}$ एक "क्रॉप-लेंथ" (crop-length) पैरामीटर ($\ell$) पर निर्भर करता है, जो सीमा क्षेत्रों को बाहर करके एक केंद्रीय बल्क विंडो को परिभाषित करता है। $w_{PD}$ को सटीक संवेग-स्थान वाइंडिंग संख्या $w$ तक अभिसरित करने के लिए आवश्यक $\ell$ का मान आमतौर पर अनुभवजन्य (empirically) रूप से चुना जाता है। टोपोलॉजिकल फेज ट्रांजिशन के पास, जहाँ परिमित-आकार के प्रभाव (finite-size effects) सबसे प्रबल होते हैं, यह चुनाव महत्वपूर्ण हो जाता है, फिर भी इष्टतम क्रॉप-लेंथ ($\ell^\star$) को निर्धारित करने के लिए एक व्यवस्थित, भौतिक रूप से आधारित पद्धति का अभाव रहा है।

कार्यप्रणाली
लेखक न्यूनतम आवश्यक क्रॉप-लेंथ $\ell^\star$ (जिसे $\ell$ के सबसे छोटे मान के रूप में परिभाषित किया गया है जिससे $|w_{PD}(\ell) - w| < \epsilon$ हो) के पूर्वानुमान को एक सुपरवाइज्ड मशीन लर्निंग समस्या के रूप में प्रस्तुत करते हैं।

• डेटा जनरेशन: वे विभिन्न परिमित गैर-हर्मिटीय श्रृंखलाओं के लिए डेटासेट तैयार करते हैं, जिनमें निकटतम-पड़ोसी (Hatano-Nelson), शुद्ध $m$-हॉप, और मिश्रित-रेंज हॉपिंग मॉडल शामिल हैं। नमूने (samples) सिस्टम साइज ($N$), हॉपिंग पैरामीटर्स, और बेस एनर्जी ($E_B$) द्वारा परिभाषित किए गए हैं।
• फीचर इंजीनियरिंग: इनपुट फीचर्स को प्रणालियों के भौतिक गुणों से प्राप्त किया जाता है। महत्वपूर्ण रूप से, वे विशेषता बहुपद (characteristic polynomial) $H(\beta) - E_B = 0$ के मूलों ($\beta$) का उपयोग करते हैं। मूलों का मापांक (modulus) आइजनस्टेट्स के स्थानिक क्षय लंबाई ($\xi$) को निर्धारित करता है। फीचर्स में रॉ हॉपिंग पैरामीटर्स, गैर-पारस्परिकता (non-reciprocity) माप, और व्युत्पन्न क्षय लंबाई या समूहीकृत रूट चैनल (complex conjugate pairs को ध्यान में रखते हुए) शामिल हैं।
• मॉडल: रैंडम-फॉरेस्ट (RF) मॉडल का उपयोग किया जाता है। एक क्लासिफायर यह निर्धारित करता है कि क्या अनुमत रेंज के भीतर एक वैध क्रॉप मौजूद है, जबकि एक रि्रेसर $\ell^\star$ के संख्यात्मक मान की भविष्यवाणी करता है। मॉडलों को 80/20 स्प्लिट के साथ प्रशिक्षित और परीक्षण किया गया है, जिसमें परिमित-आकार के अवशेष वर्गों (जैसे, $N \mod 2m$) को अलग करने पर विशेष ध्यान दिया गया है ताकि सामान्यीकरण (generalization) सुनिश्चित हो सके।
• वैलिडेशन: दृष्टिकोण का परीक्षण विभिन्न हॉपिंग रेंज ($m=1$ से $5$), जटिल बेस एनर्जी ($E_B$), और मध्यम हॉपिंग डिसऑर्डर के तहत किया गया है।

प्रमुख परिणाम

1. निकटतम-पड़ोसी और शुद्ध $m$-हॉप श्रृंखलाएं: Hatano-Nelson श्रृंखलाओं के लिए जिनमें निकटतम-पड़ोसी ($m=1$) या शुद्ध $m$-हॉप हॉपिंग है, आवश्यक क्रॉप-लेंथ एक एकल लोकलाइजेशन लेंथ स्केल ($\xi$ या $\xi_m$) द्वारा नियंत्रित होती है।

   • रैंडम फॉरेस्ट रि्रेसर $\ell^\star$ की भविष्यवाणी करने में उच्च सटीकता ($R^2 \approx 0.997$) प्राप्त करता है।
   • फीचर इम्पोर्टेंस विश्लेषण पुष्टि करता है कि स्केलिंग वेरिएबल $x = N/\xi$ प्रमुख भविष्यवक्ता है।
   • फेज ट्रांजिशन से दूर, $\ell^\star$ लोकलाइजेशन लेंथ के साथ रैखिक रूप से स्केल करता है ($\ell^\star \propto \xi$)। ट्रांजिशन के पास, परिमित-आकार सुधारों को $x$ के एक परिमेय फलन (rational function) द्वारा कैप्चर किया जाता है।
   • टॉलरेंस निर्भरता $\ell^\star \approx C_\epsilon \xi$ का पालन करती है, जहाँ $C_\epsilon$, $\log(1/\epsilon)$ के साथ रैखिक रूप से बढ़ता है, जो घातांकीय रूप से क्षय होने वाले बाउंड्री योगदान के अनुरूप है।

2. मिश्रित हॉपिंग मॉडल: प्रथम- और द्वितीय-पड़ोसी हॉपिंग वाली मिश्रित श्रृंखलाओं के लिए, स्पेक्ट्रल लूप्स गैर-इलिप्टिक (non-elliptic) होते हैं, और विशेषता समीकरण कई अलग-अलग क्षय चैनलों को जन्म देता है।

   • एक एकल लोकलाइजेशन लेंथ अपर्याप्त है। इसके बजाय, क्रॉप-लेंथ उस "समूहीकृत चैनल" (grouped channel) द्वारा शासित होती है जो कॉम्प्लेक्स $\beta$-प्लेन में यूनिट सर्कल के सबसे करीब है (सबसे धीमा क्षय होने वाला मोड)।
   • ग्रुपड रूट-चैनल फीचर्स का उपयोग करने वाले रैंडम फॉरेस्ट मॉडल विभिन्न वाइंडिंग सेक्टर्स ($w = \pm 1, \pm 2$) में $\ell^\star$ की सफलतापूर्वक भविष्यवाणी करते हैं ($R^2 > 0.98$ के साथ)।

3. जटिल बेस एनर्जी: यह पद्धति सामान्य जटिल बेस एनर्जी $E_B$ के लिए विस्तारित है।

   • शुद्ध $m$-हॉप मॉडल के लिए, रूट स्ट्रक्चर अभी भी सीमित रहता है (दो परिवारों के मूल), और प्रेडिक्टर अनसीन हॉपिंग पैरामीटर्स के लिए लीव-वन-आउट वैलिडेशन ($R^2 = 0.993$) के माध्यम से सामान्यीकृत होता है।
   • जटिल $E_B$ के साथ मिश्रित हॉपिंग मॉडल के लिए, प्रेडिक्टर को नेस्टेड टोपोलॉजिकल सेक्टर्स को अलग करने के लिए पूर्ण साइन्ड रेडियल रूट वेक्टर (दूरी और यूनिट सर्कल के अंदर/बाहर स्थिति) की आवश्यकता होती है। यह प्रतिनिधित्व अनदेखे हैमिल्टोनियंस के लिए $w_{PD}$ मैप्स के सटीक पुनर्निर्माण की अनुमति देता है।

4. डिसऑर्डर के प्रति मजबूती: साफ निकटतम-पड़ोसी श्रृंखलाओं पर प्रशिक्षित प्रेडिक्टर मध्यम हॉपिंग डिसऑर्डर ($r_W = 0.3$) के तहत भी प्रभावी रहता है।

   • साफ सिस्टम से अनुमानित $\ell^\star$ टोपोलॉजिकल फेजों के इंटीरियर में सटीक $w_{PD}$ मान प्रदान करता है (सफलता का अंश $> 0.96$)।
   • प्रदर्शन फेज बाउंड्री के पास घट जाता है जहाँ पॉइंट गैप बंद हो जाता है, जो परिमित-आकार के प्रभावों और डिसऑर्डर के प्रति बढ़ती संवेदनशीलता के अनुरूप है।

महत्व और दावे
पेपर का दावा है कि यह परिमित गैर-हर्मिटीय प्रणालियों में वास्तविक-स्थान टोपोलॉजिकल इनवेरिएंट्स के लिए "क्रॉप-लेंथ चुनने का एक व्यावहारिक और भौतिक रूप से व्याख्या योग्य तरीका" प्रदान करता है। यह प्रदर्शित करके कि मशीन लर्निंग विविध हैमिल्टोनियंस में भौतिक क्षय लंबाई और आवश्यक क्रॉप-लेंथ के बीच के संबंध को सटीक रूप से सामान्यीकृत कर सकती है, लेखक स्थापित करते हैं कि $w_{PD}$ का अभिसरण गैर-हर्मिटीय स्किन इफेक्ट से जुड़ी लोकलाइजेशन लेंथ द्वारा मौलिक रूप से नियंत्रित होता है।

लेखक इस बात पर जोर देते हैं कि उनके परिणाम किसी भी मनमाने पैरामीटर ट्यूनिंग के बिना परिमित प्रणालियों में टोपोलॉजी के विश्वसनीय निर्धारण की अनुमति देते हैं। इसके अलावा, वे सुझाव देते हैं कि सीखे गए संबंधों को प्रयोगात्मक या संख्यात्मक डेटा से प्रभावी स्किन-इफेक्ट क्षय लंबाई का अनुमान लगाने के लिए उल्टा (invert) किया जा सकता है, भले ही सिस्टम में डिसऑर्डर मौजूद हो, बशर्ते कि सिस्टम फेज बाउंड्री के बहुत करीब न हो। यह अध्ययन कोई नया प्रयोगात्मक प्लेटफॉर्म प्रस्तावित नहीं करता है बल्कि मौजूदा या भविष्य के डेटा की व्याख्या करने के लिए एक कम्प्यूटेशनल टूल प्रदान करता है।