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

Sintesi Tecnica: Valutazione del Secondo Numero di Chern nello Spazio Reale mediante il Metodo del Polinomio Kernel

Problematica
Le fasi topologiche in sistemi $2n$-dimensionali, come gli isolanti di Chern 4D caratterizzati dal secondo numero di Chern ($C_2$) e i sistemi 6D caratterizzati dal terzo numero di Chern ($C_3$), sono tradizionalmente definite nello spazio dei momenti. Questa definizione si basa sull'invarianza per traslazione, che è spesso assente in sistemi realistici contenenti disordine o quasiperiodicità. Sebbene esistano formulazioni nello spazio reale per affrontare questo problema, gli approoli standard basati sulla diretta diagonalizzazione di matrici sono limitati a dimensioni di sistema di circa $10^4$ gradi di libertà. Questo vincolo dimensionale è particolarmente problematico per i sistemi a dimensioni superiori, dove la dimensione dello spazio di Hilbert cresce esponenzialmente ($L^{2n}$), rendendo difficile raggiungere le dimensioni di sistema necessarie affinché l'emergenza della quantizzazione degli invarianti topologici sia chiara. I precedenti tentativi di calcolare il $C_2$ nello spazio reale utilizzando approssimazioni di supercella o la formula di Kitaev erano limitati a dimensioni di sistema di rispettivamente $4^4$ e $8^4$, e spesso non riuscivano a ottenere una piena quantizzazione a causa di effetti di dimensione finita.

Metodologia
Gli autori impiegano il Metodo del Polinomio Kernel (KPM) per valutare i numeri di Chern nello spazio reale per dimensioni di sistema significativamente maggiori. Il nucleo del loro approccio prevede:

1. Modello: Utilizzano il modello di reticolo Wilson-Dirac $2n$-dimensionale, discretizzato su un reticolo ipercubico con costante di reticolo $a=1$. L'Hamiltoniana è definita utilizzando matrici gamma che soddisfano l'algebra di Clifford.
2. Formula nello Spazio Reale: Adottano una formula generale per il marcatore topologico universale per l' $n$-esimo numero di Chern:
   $$C_n = \frac{(2\pi i)^n}{n!} \epsilon_{j_1 j_2 \dots j_{2n}} \text{Tr} (P X_{j_1} P X_{j_2} \dots P X_{j_{2n}} P)$$
   dove $P$ è il proiettore sulle bande occupate e $X_j$ sono gli operatori di coordinata.
3. Implementazione KPM: Per evitare la costosa diagonalizzazione, il proiettore $P$ viene approssimato espandendo la funzione gradino utilizzando i polinomi di Chebyshev fino all'ordine $M=256$. La traccia è stimata utilizzando un'approssimazione di traccia stocastica con $R=5$ vettori a fase casuale. L'Hamiltoniana viene riscalata nell'intervallo $[-1, 1]$ per garantire la stabilità numerica.
4. Disordine: Il disordine di tipo Anderson viene introdotto tramite energie on-site casuali distribuite uniformemente in $[-W, W]$.

Contributi Chiave e Risultati

• Secondo Numero di Chern 4D ($C_2$) in Sistemi Puliti:
  Gli autori hanno eseguito calcoli nello spazio reale su sistemi 4D con fino a $30^4$ siti (il testo riporta 304 siti totali, sebbene la notazione $30^4$ implichi una lunghezza del lato $L=30$).

  • Quantizzazione: All'aumentare della dimensione del sistema ($L$) da 4 a 20, il $C_2$ calcolato numericamente è convergente verso la previsione teorica nello spazio dei momenti ($C_2 = -3$ per specifici parametri di massa).
  • Tasso di Convergenza: L'analisi della deviazione $\ln(|C_2 + 3|)$ rispetto alla dimensione del sistema $L$ ha rivelato un decadimento esponenziale, confermando che gli effetti di dimensione finita diventano trascurabili in sistemi più grandi.

• Secondo Numero di Chern 4D ($C_2$) in Sistemi Disordinati:

  • Robustezza: Il metodo ha catturato con successo la stabilità della fase topologica sotto debole disordine. Il valore quantizzato di $C_2$ è rimasto stabile per intensità di disordine moderate ($W$).
  • Diagramma di Fase: Il diagramma di fase del $C_2$ mediato sul disordine concorda bene con le previsioni dell'approssimazione di Born auto-coerente.
  • Comportamento Critico: Vicino ai punti critici (dove il gap nel bulk è piccolo), anche un debole disordine ha portato il marcatore topologico lontano dai valori quantizzati, mentre i sistemi con gap più ampi sono rimasti robusti contro un disordine più forte.

• Calcolo Esplorativo del Terzo Numero di Chern 6D ($C_3$):
  Gli autori hanno esteso il metodo a sistemi 6D per calcolare il terzo numero di Chern nello spazio reale.

  • Accordo Qualitativo: Per dimensioni di sistema fino a $L=5$, i risultati numerici hanno mostrato un accordo qualitativo con le previsioni teoriche nello spazio dei momenti, identificando correttamente le posizioni delle transizioni di fase.
  • Limitazioni: Non è stata raggiunta la piena quantizzazione. Gli autori attribuiscono ciò a significativi effetti di dimensione finita e all'estrema complessità computazionale. Il calcolo del $C_3$ richiede la sommatoria di 720 termini non nulli del tensore di Levi-Civita 6D, rispetto ai soli 24 termini per il caso 4D, aumentando drasticamente le richieste di risorse.

Significatività e Rivendicazioni
Il lavoro sostiene di rappresentare un "passo avanti" nella caratterizzazione nello spazio reale delle fasi topologiche ad alta dimensione. La sua significatività primaria risiede nel dimostrare che il Metodo del Polinomio Kernel consente il calcolo dei secondi numeri di Chern nello spazio reale per dimensioni di sistema ($30^4$) che sono ordini di grandezza superiori rispetto ai precedenti approcci nello spazio reale ($8^4$). Questa scala è sufficiente per osservare la convergenza esponenziale verso i valori quantizzati nei sistemi 4D, validando l'utilità del metodo per gli isolanti topologici disordinati.

Per quanto riguarda l'estensione 6D, gli autori mantengono un tono modesto, riconoscendo che, sebbene il metodo catturi il comportamento qualitativo del terzo numero di Chern, i limiti computazionali attuali impediscono la piena quantizzazione. Suggeriscono che l'integrazione futura con tecniche di reti tensoriali (tensor network) possa essere necessaria per accedere alle dimensioni di sistema più grandi richieste dai valori quantizzati di $C_3$ in 6D. Il lavoro non propone nuovi setup sperimentali, ma fornisce uno strumento numerico robusto per analizzare i modelli teorici esistenti in presenza di disordine.