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

Sintesi Tecnica: Predizione tramite Machine Learning del Criterio di Convergenza per un Invariante Topologico di Catene Non-Hermitiane Finite

Definizione del Problema
Nei sistemi quantistici non-hermitiani, la topologia è spesso caratterizzata da gap di punto nello spettro energetico complesso, portando a fenomeni come l'effetto pelle non-hermitiano (NHSE), in cui un numero esteso di autostati si localizza ai bordi. Mentre i numeri di winding nello spazio dei momenti ($w$) definiscono la topologia in sistemi con invarianza traslazionale, le catene aperte finite richiedono invarianti topologici nello spazio reale. L'invariante nello spazio reale per decomposizione polare ($w_{PD}$) è un candidato primario per questo scopo. Tuttavia, $w_{PD}$ dipende da un parametro di "lunghezza di coltura" ($\ell$), che definisce una finestra centrale del bulk escludendo le regioni di bordo. Il valore di $\ell$ richiesto affinché $w_{PD}$ converga all'esatto numero di winding nello spazio dei momenti viene tipicamente scelto empiricamente. Questa scelta diventa critica vicino alle transizioni di fase topologiche, dove gli effetti di dimensione finita sono più forti, eppure è mancato finora un metodo sistematico e fisicamente fondato per determinare la lunghezza di coltura ottimale ($\ell^\star$).

Metodologia
Gli autori inquadrano la predizione della lunghezza di coltura minima richiesta $\ell^\star$ (definita come la più piccola $\ell$ tale che $|w_{PD}(\ell) - w| < \epsilon$) come un problema di apprendimento supervisionato tramite machine learning.

• Generazione dei Dati: Generano dataset per varie catene non-hermitiane finite, incluse catene di Hatano-Nelson a vicini più prossimi, a salto puro $m$-hop e a hopping a raggio misto. I campioni sono definiti da dimensione del sistema ($N$), parametri di hopping e base energetica ($E_B$).
• Ingegneria delle Caratteristiche (Feature Engineering): Le caratteristiche di input sono derivate dalle proprietà fisiche dei sistemi. Fondamentalmente, utilizzano le radici ($\beta$) del polinomio caratteristico $H(\beta) - E_B = 0$. Il modulo di queste radici determina le lunghezze di decadimento spaziale ($\xi$) degli autostati. Le caratteristiche includono parametri di hopping grezzi, misure di non-reciprocità e lunghezze di decadimento derivate o canali di radici raggruppati (che tengono conto delle coppie coniugate complesse).
• Modelli: Vengono impiegati modelli di Random Forest (RF). Un classificatore determina se esiste una coltura valida entro l'intervallo consentito, mentre un regressore predice il valore numerico di $\ell^\star$ per i campioni validi. I modelli sono addestrati e testati su una suddivisione 80/20, con particolare attenzione alla separazione delle classi di residui di dimensione finita (ad esempio, $N \mod 2m$) per garantire la generalizzazione.
• Validazione: L'approccio è testato attraverso diverse gamme di hopping ($m=1$ a $5$), basi energetiche complesse ($E_B$) e un moderato disordine di hopping.

Risultati Chiave

1. Catene a Vicini Più Prossimi e a Salto Puro $m$-Hop: Per le catene di Hatano-Nelson con hopping a vicini più prossimi ($m=1$) o a salto puro $m$-hop, la lunghezza di coltura richiesta è controllata da una singola scala di lunghezza di localizzazione ($\xi$ o $\xi_m$).

   • Il regressore Random Forest raggiunge un'alta accuratezza ($R^2 \approx 0,997$) nella predizione di $\ell^\star$.
   • L'analisi dell'importanza delle caratteristiche conferma che la variabile di scala $x = N/\xi$ è il predittore dominante.
   • Lontano dalle transizioni di fase, $\ell^\star$ scala linearmente con la lunghezza di localizzazione ($\ell^\star \propto \xi$). Vicino alle transizioni, le correzioni di dimensione finita sono catturate da una funzione razionale di $x$.
   • La dipendenza dalla tolleranza segue $\ell^\star \approx C_\epsilon \xi$, dove $C_\epsilon$ cresce linearmente con $\log(1/\epsilon)$, in modo coerente con i contributi di bordo che decadono esponenzialmente.

2. Modelli di Hopping Misto: Per le catene con hopping a primo e secondo vicino misti, i loop spettrali sono non-ellittici e l'equazione caratteristica produce molteplici canali di decadimento distinti.

   • Una singola lunghezza di localizzazione è insufficiente. Invece, la lunghezza di coltura è governata dal "canale raggruppato" più vicino al cerchio unitario nel piano complesso $\beta$ (il modo di decadimento più lento).
   • I modelli Random Forest addestrati su caratteristiche di canali di radici raggruppati predicono con successo $\ell^\star$ attraverso diversi settori di winding ($w = \pm 1, \pm 2$) con $R^2 > 0,98$.

3. Energie di Base Complesse: Il metodo si estende a energie di base $E_B$ complesse generali.

   • Per i modelli a salto puro $m$-hop, la struttura delle radici rimane vincolata (due famiglie di radici), e il predittore si generalizza a parametri di hopping non visti tramite validazione leave-one-out ($R^2 = 0,993$).
   • Per i modelli di hopping misto con $E_B$ complessa, il predittore richiede il vettore radiale firmato completo (distanza e stato interno/esterno rispetto al cerchio unitario) per distinguere i settori topologici annidati. Questa rappresentazione consente la ricostruzione accurata delle mappe $w_{PD}$ attraverso il piano dell'energia complessa per Hamiltoniane non viste.

4. Robustezza al Disordine: Il predittore addestrato su catene pulite a vicini più prossimi rimane efficace sotto un moderato disordine di hopping ($r_W = 0,3$).

   • La $\ell^\star$ predetta dal sistema pulito fornisce valori di $w_{PD}$ accurati nell'interno delle fasi topologiche (frazione di successo $> 0,96$).
   • Le prestazioni degradano vicino ai confini di fase dove il gap di punto si chiude, in modo coerente con l'aumentata sensibilità agli effetti di dimensione finita e al disordine.

Significato e Rivendicazioni
L'articolo sostiene di fornire un "modo pratico e fisicamente interpretabile per scegliere la lunghezza di coltura" per gli invarianti topologici nello spazio reale in sistemi non-hermitiani finiti. Dimostrando che il machine learning può generalizzare accuratamente la relazione tra le lunghezze di decadimento fisico e la lunghezza di coltura richiesta attraverso diverse Hamiltoniane, gli autori stabiliscono che la convergenza di $w_{PD}$ è fondamentalmente controllata dalle lunghezze di localizzazione associate all'effetto pelle non-hermitiano.

Gli autori sottolineano che i loro risultati permettono la determinazione affidabile della topologia in sistemi finiti senza una sintonizzazione arbitraria dei parametri. Inoltre, suggeriscono che le relazioni apprese possono essere invertite per stimare le lunghezze di decadimento efficaci dell'effetto pelle da dati sperimentali o numerici, anche in presenza di disordine, a condizione che il sistema non sia troppo vicino a un confine di fase. Lo studio non propone nuove piattaforme sperimentali, ma offre uno strumento computazionale per interpretare dati esistenti o futuri sulle fasi topologiche non-hermitiane.