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

기술 요약: 유한 비헤르미트 연쇄의 위상 불변량에 대한 수렴 기준의 머신러닝 예측

문제 정의
비헤르미트 양자계에서 위상은 흔히 복소 에너지 스펙트럼의 점 간극(point gap)에 의해 특징지어지며, 이는 비헤르미트 피부 효과(non-Hermitian skin effect, NHSE)와 같이 다수의 고유 상태가 경계로 국소화되는 현상을 초래한다. 운동량 공간의 윈딩 수($w$)는 번역 대칭성을 가진 계에서 위상을 정의하지만, 유한한 개방형 연쇄(open chains)에는 실공간 위상 불변량이 필요하다. 극좌표 분해(polar-decomposition) 실공간 불변량($w_{PD}$)은 이를 위한 주요 후보이다. 그러나 $w_{PD}$는 경계 영역을 제외하여 중심 벌크 창(bulk window)을 정의하는 "크롭 길이(crop-length)" 매개변수($\ell$)에 의존한다. $w_{PD}$가 정확한 운동량 공간 윈딩 수로 수렴하기 위해 필요한 $\ell$의 값은 통상적으로 경험적으로 선택된다. 이러한 선택은 유한 크기 효과가 가장 강한 위상 전이 근처에서 매우 중요해지지만, 최적의 크롭 길이($\ell^\star$)를 결정하기 위한 체계적이고 물리적 근거를 가진 방법론은 그동안 부족했다.

방법론
저자들은 최소 요구 크롭 길이 $\ell^\star$ (최소한의 $\ell$로서 $|w_{PD}(\ell) - w| < \epsilon$를 만족하는 $\ell$)를 예측하는 문제를 지도 학습 기반의 머신러닝 문제로 프레임화한다.

• 데이터 생성: 저자들은 다양한 유한 비헤르미트 연쇄(근접 이웃 Hatano-Nelson 모델, 순수 $m$-hop 모델, 혼합 범위 호핑 모델 포함)에 대한 데이터셋을 생성한다. 샘플은 시스템 크기($N$), 호핑 매개변수, 그리고 기저 에너지($E_B$)에 의해 정의된다.
• 특징 공학(Feature Engineering): 입력 특징은 계의 물리적 성질로부터 도출된다. 결정적으로, 저자들은 특성 다항식 $H(\beta) - E_B = 0$의 근($\beta$)을 활용한다. 이 근의 절댓값은 고유 상태의 공간적 감쇠 길이($\xi$)를 결정한다. 특징에는 가공되지 않은 호핑 매개변수, 비가역성(non-reciprocity) 척도, 그리고 파생된 감쇠 길이 또는 그룹화된 근 채널(복소 공액 쌍을 고려함)이 포함된다.
• 모델: 랜덤 포레스트(Random Forest, RF) 모델이 사용된다. 분류기(Classifier)는 허용 범위 내에 유효한 크롭이 존재하는지 결정하며, 회귀 모델(Regressor)은 유효한 샘플에 대해 $\ell^\star$의 수치 값을 예측한다. 모델은 80/20 분할로 훈련 및 테스트되며, 일반화 성능을 보장하기 위해 특정 유한 크기 잔여 클래스(예: $N \mod 2m$)를 분리하는 데 주의를 기울인다.
• 검증: 이 접근법은 다양한 호핑 범위($m=1$에서 $5$), 복소 기저 에너지($E_B$), 그리고 완만한 호핑 무질서(disorder) 조건에서 테스트된다.

주요 결과

1. 근접 이웃 및 순수 $m$-hop 연쇄: Hatano-Nelson 연쇄(근접 이웃 $m=1$ 또는 순수 $m$-hop 호핑)의 경우, 요구되는 크롭 길이는 단일 국소화 길이 척도($\xi$ 또는 $\xi_m$)에 의해 제어된다.

   • 랜덤 포레스트 회귀 모델은 $\ell^\star$를 예측하는 데 있어 높은 정확도($R^2 \approx 0.997$)를 달성한다.
   • 특징 중요도 분석은 스케일링 변수 $x = N/\xi$가 지배적인 예측 변수임을 확인한다.
   • 위상 전이에서 벗어난 영역에서 $\ell^\star$는 $\xi$에 선형적으로 비례한다($\ell^\star \propto \xi$). 전이 근처에서는 $x$에 대한 유리 함수(rational function)에 의해 유한 크기 보정이 포착된다.
   • 허용 오차($\epsilon$) 의존성은 $\ell^\star \approx C_\epsilon \xi$를 따르며, 여기서 $C_\epsilon$은 지수적으로 감소하는 경계 기여도와 일치하게 $\log(1/\epsilon)$에 따라 선형적으로 증가한다.

2. 혼합 호핑 모델: 제1 및 제2 근접 호핑이 혼합된 연쇄의 경우, 스펙트럼 루프는 타원형이 아니며, 특성 방정식은 여러 개의 뚜ack한 감쇠 채널을 생성한다.

   • 단일 국소화 길이로는 불충분하다. 대신, 크롭 길이는 복소 $\beta$-평면에서 단위 원에 가장 가까운 "그룹화된 채널"(가장 느리게 감쇠하는 모드)에 의해 결정된다.
   • 그룹화된 근 채널 특징으로 훈련된 랜덤 포레스트 모델은 다양한 윈딩 섹터($w = \pm 1, \pm 2$)에 대해 $R^2 > 0.98$로 $\ell^\star$를 성공적으로 예측한다.

3. 복소 기저 에너지: 이 방법은 일반적인 복소 기저 에너지 $E_B$로 확장된다.

   • 순수 $m$-hop 모델의 경우, 근 구조가 제약되어 있으며(두 종류의 근 패밀리), 예측기는 leave-one-out 검증을 통해 미지의 호핑 매개변수에 대해서도 일반화된다($R^2 = 0.993$).
   • 중첩된 위상 섹터를 구분하기 위해 전체 부호가 있는 방사형 근 벡터(거리 및 단위 원에 대한 안팎 상태)가 필요한 혼합 호핑 모델의 경우, 이 표현법을 통해 미지의 해밀토니안에 대한 $w_{PD}$ 맵을 정확하게 재구성할 수 있다.

4. 무질서에 대한 강건성: 깨끗한 근접 이웃 연쇄로 훈련된 예측기는 완만한 호핑 무질서($r_W = 0.3$) 하에서도 효과적이다.

   • 깨끗한 계로부터 예측된 $\ell^\star$는 위상 상의 내부 영역에서 정확한 $w_{PD}$ 값을 제공한다(성공 비율 $> 0.96$).
   • 예측 성능은 점 간극이 닫히는 위상 경계 근처에서 저하되는데, 이는 유한 크기 효과 및 무질서에 대한 민감도가 증가하는 것과 일치한다.

의의 및 주장
본 논문은 비헤르미트 연쇄의 실공간 위상 불변량을 위한 크롭 길이를 선택하는 "실용적이고 물리적으로 해석 가능한 방법"을 제공한다고 주장한다. 머신러닝이 다양한 해밀토니안에 걸쳐 물리적 감쇠 길이와 요구되는 크롭 길이 사이의 관계를 정확하게 일반화할 수 있음을 입증함으로써, 저자들은 $w_{PD}$의 수렴이 비헤르미트 피부 효과와 관련된 국소화 길이들에 의해 근본적으로 제어된다는 점을 확립한다.

저자들은 자신들의 결과가 임의의 매개변수 튜닝 없이도 유한 계에서 위상을 신뢰할 수 있게 결정할 수 있게 해준다는 점을 강조한다. 또한, 학습된 관계를 역으로 이용하여 실험적 또는 수치적 데이터로부터 유효한 피부 효과 감쇠 길이를 추정할 수 있다고 제안하며, 이는 시스템이 위상 경계에 너무 가깝지 않다면 무질서가 존재하는 경우에도 가능하다. 본 연구는 새로운 실험 플랫폼을 제안하는 것이 아니라, 기존 또는 미래의 비헤르미트 위상 데이터를 해석하기 위한 계산 도구를 제공하는 것이다.