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

Resumo Técnico: Aprendizado de Máquina para a Predição do Critério de Convergência de um Invariante Topológico de Cadeias Não Hermitianas Finitas

Definição do Problema
Em sistemas quânticos não hermitianos, a topologia é frequentemente caracterizada por lacunas de ponto (point gaps) no espectro de energia complexa, levando a fenôómenos como o efeito de pele não hermitiano (NHSE), onde um número extensivo de autoestados se localiza nas bordas. Enquanto os números de enrolamento (winding numbers, $w$) no espaço de momento definem a topologia em sistemas com invariância de translação, cadeias finas abertas requerem invariantes topológicos no espaço real. O invariante de espaço real por decomposição polar ($w_{PD}$) é um candidato principal para este propósito. No entanto, $w_{PD}$ depende de um parâmetro de "comprimento de corte" ($\ell$), que define uma janela central do bulk ao excluir regiões de borda. O valor de $\ell$ necessário para que $w_{PD}$ converja para o número de enrolamento exato no espaço de momento é tipicamente escolhido empiricamente. Esta escolha torna-se crítica próximo de transições de fase topológicas, onde os efeitos de tamanho finito são mais fortes, embora tenha faltado um método sistemático e fisicamente fundamentado para determinar o comprimento de corte ótimo ($\ell^\star$).

Metodologia
Os autores enquadram a predição do comprimento de corte mínimo requerido $\ell^\star$ (definido como o menor $\ell$ tal que $|w_{PD}(\ell) - w| < \epsilon$) como um problema de aprendizado de máquina supervisionado.

• Geração de Dados: Eles geram conjuntos de dados para várias cadeias não hermitianas finitas, incluindo modelos de vizinho mais próximo (Hatano-Nelson), de salto puro de $m$-passos (pure m-hop) e de alcance misto. As amostras são definidas pelo tamanho do sistema ($N$), parâmetros de salto e energia de base ($E_B$).
• Engenharia de Atributos (Feature Engineering): Os atributos de entrada são derivados das propriedades físicas dos sistemas. Crucialmente, eles utilizam as raízes ($\beta$) do polinômio característico $H(\beta) - E_B = 0$. O módulo destas raízes determina os comprimentos de decaimento espacial ($\xi$) dos autoestados. Os atributos incluem parâmetros de salto brutos, medidas de não-reciprocidade e comprimentos de decaimento derivados ou canais de raízes agrupados (contabilizando pares complexos conjugados).
• Modelos: Modelos de floresta aleatória (Random Forest - RF) são empregados. Um classificador determina se um corte válido existe dentro do intervalo permitido, enquanto um regressor prediz o valor numérico de $\ell^\star$ para amostras válidas. Os modelos são treinados e testados com uma divisão de 80/20, com atenção específica à separação de classes de resíduos de tamanho finito (ex: $N \mod 2m$) para garantir a generalização.
• Validação: A abordagem é testada através de variados alcances de salto ($m=1$ a $5$), energias de base complexas ($E_B$) e sob desordem de salto moderada.

Resultos Principais

1. Cadeias de Vizinho Mais Próximo e de Salto Puro de $m$-passos: Para cadeias de Hatano-Nelson com salto de vizinho mais próximo ($m=1$) ou salto puro de $m$-passos, o comprimento de corte requerido é controlado por uma única escala de comprimento de localização ($\xi$ ou $\xi_m$).

   • O regressor de floresta aleatória alcança alta precisão ($R^2 \approx 0,997$) na predição de $\ell^\star$.
   • A análise de importância de atributos confirma que a variável de escala $x = N/\xi$ é o preditor dominante.
   • Longe das transições de fase, $\ell^\star$ escala linearmente com o comprimento de localização ($\ell^\star \propto \xi$). Próximo às transições, as correções de tamanho finito são capturadas por uma função racional de $x$.
   • A dependência da tolerância segue $\ell^\star \approx C_\epsilon \xi$, onde $C_\epsilon$ cresce linearmente com $\log(1/\epsilon)$, consistente com contribuições de borda que decaem exponencialmente.

2. Modelos de Salto Misto: Para cadeias com saltos mistos de primeiro e segundo vizinho, os loops espectrais são não-elípticos e a equação característica produz múltiplos canais de decaimento distintos.

   • Um único comprimento de localização é insuficiente. Em vez disso, o comprimento de corte é governado pelo "canal agrupado" mais próximo do círculo unitário no plano $\beta$-complexo (o modo de decaimento mais lento).
   • Modelos de floresta aleatória treinados com atributos de canais de raízes agrupados predizem com sucesso $\ell^\star$ através de diferentes setores de enrolamento ($w = \pm 1, \pm 2$) com $R^2 > 0,98$.

3. Energias de Base Complexas: O método estende-se para energias de base complexas gerais ($E_B$).

   • Para modelos de salto puro de $m$-passos, a estrutura das raízes permanece restrita (duas famílias de raízes), e o preditor generaliza-se para parâmetros de salto não vistos via validação leave-one-out ($R^2 = 0,993$).
   • Para modelos de salto misto com $E_B$ complexa, o preditor requer o vetor radial assinado completo (distância e status de dentro/fora em relação ao círculo unitário) para distinguir setores topológicos aninhados. Esta representação permite a reconstrução precisa de mapas de $w_{PD}$ através do plano de energia complexa para Hamiltonianos não vistos.

4. Robustez à Desordem: O preditor treinado em cadeias limpas de vizinho mais próximo permanece eficaz sob desordem de salto moderada ($r_W = 0,3$).

   • O $\ell^\star$ predito do sistema limpo fornece valores de $w_{PD}$ precisos no interior de fases topológicas (fração de sucesso $> 0,96$).
   • O desempenho degrada-se próximo às fronteiras de fase onde a lacuna de ponto se fecha, consistente com o aumento da sensibilidade aos efeitos de tamanho finito e desordem.

Significância e Alegações
O artigo afirma fornecer uma "maneira prática e fisicamente interpretável de escolher o comprimento de corte" para invariantes topológicos no espaço real em sistemas não hermitianos finitos. Ao demonstrar que o aprendizado de máquina pode generalizar com precisão a relação entre comprimentos de decaimento físicos e o comprimento de corte requerido através de diversos Hamiltonianos, os autores estabelecem que a convergência de $w_{PD}$ é fundamentalmente controlada pelos comprimentos de localização associados ao efeito de pele não hermitiano.

Os autores enfatizam que os seus resultados permitem a determinação fiável da topologia em sistemas finitos sem ajuste arbitrário de parâmetros. Além disso, sugerem que as relações aprendidas podem ser invertidas para estimar comprimentos de decaimento de efeito de pele efetivos a partir de dados experimentais ou numéricos, mesmo na presença de desordem, desde que o sistema não esteja demasiado próximo de uma fronteira de fase. O estudo não propõe novas plataformas experimentais, mas oferece uma ferramenta computacional para interpretar dados existentes ou futuros sobre fases topológicas não hermitianas.