Data-driven reconstruction of band dispersion and quantum geometry via Koopman dynamical mode decomposition

本文提出了一种数据驱动框架，利用科普曼算子分析和动态模态分解，直接从时空数据中重构能带色散、谱函数及量子几何性质，为无需显式哈密顿量即可分析凝聚态与光子学中的波传播及拓扑相提供了一种统一方法。

要点

想象一下，你试图理解一台复杂机器的工作原理，就像一支巨大而无形的交响乐团正在演奏交响乐。通常，要理解这段音乐，你需要乐谱（方程）和指挥的总谱（哈密顿量）。在音乐开始之前，你必须知道每件乐器的位置和每一个音符，才能预测它将如何发声。

本文提出了一种不同的方法。作者建议，我们无需乐谱，仅通过聆听乐团演奏的录音，就能推断出整首乐曲。

以下是他们思想的分解，使用了简单的类比：

1. 旧方法与新方法

• 旧方法（哈密顿量弗洛凯 - 布洛赫）： 这就像试图通过了解每个空气分子的精确物理规律来预测天气。你需要先拥有一个完美的系统模型。如果你不知道确切的规则（方程），或者系统很混乱（就像一场充满无序的暴风雨），这种方法就会陷入困境，或者变得难以计算。
• 新方法（柯尔莫哥洛夫 - 动态模态分解）： 这就像分析一段暴风雨的视频。你不需要了解气压的物理原理；你只需查看数据（视频帧）。作者使用一种名为**柯尔莫哥洛夫 - 动态模态分解（Koopman-DMD）**的数学工具，将一系列快照（就像电影中的帧）分解为它们的“纯”运动部分。

2. 神奇的工具：DMD（动态模态分解）

想象池塘中一个复杂的波浪。它看起来很混乱，涟漪四处扩散。

• DMD 就像一个棱镜。 当你将白光穿过棱镜时，它会分裂成纯色的光（红、蓝、绿）。
• DMD 将混乱的波浪分裂成纯“模态”。每个模态都是一个简单的重复模式，具有特定的速度（频率）和特定的形状（空间分布）。
• 其中一些模式是扩展波（就像涟漪传遍整个池塘）。
• 另一些是局域波（就像溅起的水花停留在一个地方并逐渐消散）。

3. 他们的发现

作者在物理学中使用的几种类型的“乐团”（晶格模型）上测试了这种“仅靠聆听”的方法：

• 混乱的乐团（无序）： 在一个具有随机障碍物的系统中（就像树木随机散布的森林），旧方法因为“乐谱”被破坏而难以应对。新方法只需观察波浪如何反弹。它成功识别出波浪被困在小范围内（局域化），而不是自由传播。
• 拓扑乐团（SSH 模型）： 某些系统具有特殊的“边缘态”——仅在材料边界传播的波浪，就像火车保持在轨道上行驶。新方法仅通过观察数据就发现了这些特殊的边缘波，即使系统很混乱或受到外部节奏的驱动。
• 二维乐团（石墨烯与哈尔丹）： 他们观察了二维材料（如原子平面）。他们能够重构能带的“形状”（系统可以演奏的允许音符），甚至计算“几何”属性（波浪在空间中如何扭曲和转向），而无需写下原始方程。

4. 大局观：“无方程”物理学

本文最令人兴奋的部分在于它弥合了理论与实验之间的鸿沟。

• 理论通常说：“如果我们建造一个完美的晶体，数学是这样的。”
• 实验经常说：“这是一个混乱的、现实世界的样本。这是我们要测量的数据。”

作者表明，你可以将混乱的实验数据输入他们的“棱镜”（柯尔莫哥洛夫-DMD），并得到与完美数学相同的答案。这就像能够仅通过聆听一支在嘈杂房间里演奏且略微走调的乐队，就能读出乐谱。

总结

该论文声称，要理解系统的行为，并不总是需要了解底层的物理定律（方程）。如果你拥有足够的数据（系统随时间变化的快照），就可以使用这种数据驱动的方法：

1. 重构能带（系统可以演奏的音符）。
2. 发现拓扑特征（对噪声具有鲁棒性的特殊边缘态）。
3. 测量局域化（波浪被困在哪里）。
4. 计算几何属性（波浪在空间中的形状）。

他们在固体中的电子模型和晶体中的光模型上证明了这一点，表明这种“聆听数据”的方法与传统的“求解方程”方法同样有效，特别是在系统混乱、无序或过于复杂而无法完美建模的情况下。

技术摘要

技术摘要：基于 Koopman 动力学模态分解的数据驱动能带色散与量子几何重构

问题陈述
传统的能带结构工程依赖于基于方程的范式，即根据晶体对称性和材料成分构建哈密顿量，随后求解薛定谔（或麦克斯韦）本征值问题。这种方法在以下系统中面临显著局限：精确哈密顿量未知、仅部分受限，或平移对称性因无序、缺陷或强非线性而被破坏。此外，周期驱动（Floquet）系统和非厄米系统引入了额外的理论和数值复杂性，通常需要进行计算成本高昂的实空间超胞计算。因此，亟需一种方法论，能够在无需预先掌握控制方程的情况下，直接从时空数据中提取谱函数、能带色散和拓扑性质。

方法论
本文提出了一种利用 Koopman 算子理论和动力学模态分解（Koopman-DMD）的数据驱动框架，用于重构能带结构和量子几何性质。核心方法论包括：

1. 等价性表述：作者建立了哈密顿量 Floquet–Bloch 分解（FBD）与 Koopman-DMD 之间的理论对应关系。虽然 FBD 基于方程，但 Koopman-DMD 是无方程且数据驱动的，它将非线性动力学线性嵌入到无限维可观测量空间中。
2. 数据分解：给定时空快照（例如波函数 $\psi(x,t)$ 或电场 $E(x,t)$），该方法将数据分解为空间模态（$\phi_j$）、投影权重（$w_j$）以及由复频率（$\omega_j$）表征的时间动力学。
   • 扩展模态：对于类 Bloch 模态，主导动量 $k$ 和振荡频率 $\Re\{\omega\}$ 重构了能带色散 $\omega(k)$。
   • 局域模态：对于无序系统，该方法识别出由衰减速率和空间局域化特征定义的局域模态。
3. 可观测量与状态数据：该框架区分了状态级数据（波函数）和可观测量级数据（密度、电流）。在状态级数据中，DMD 直接恢复本征能量；在可观测量级数据中，DMD 恢复跃迁频率。对于后者，使用延迟嵌入的 Hankel 矩阵来处理记忆效应和非马尔可夫动力学。
4. 物理量的重构：
   • 谱函数与局域态密度（LDOS）：构建为以模态振幅加权的洛伦兹函数之和。
   • 局域化度量：从 DMD 模态计算逆参与比（IPR），以区分扩展态与局域态。
   • 拓扑不变量：利用离散且规范不变的表述（Fukui–Hatsugai–Suzuki 构造），该方法直接从提取的 DMD 体模态的重叠中计算 Zak 相位（1D）和陈数（2D）。
   • 量子几何：量子度规和贝里曲率通过动量空间中相邻 DMD 模态之间的保真度（内积重叠）进行重构。

关键结果
该框架在多个典型的一维和二维紧束缚模型中得到了验证，显示出与精确哈密顿量 FBD 结果的高度一致性：

• 安德森局域化：在一维无序模型中，Koopman-DMD 成功捕捉了从扩展态到局域态的交叉。它重现了从 Wigner–Dyson 到 Poisson 能级间距统计的过渡，并提取了随无序强度单调递减的局域化长度，而无需对无序哈密顿量进行显式对角化。
• SSH 模型中的拓扑相变：
  • 静态无序 SSH：该方法追踪了随着无序增加，拓扑零模合并进入安德森区域的过程，并通过 IPR 的变化进行了量化。
  • Floquet SSH：应用于周期驱动系统，它重构了准能谱，识别出鲁棒的 0 模和 $\pi$ 模，并捕捉了它们最终瓦解为安德森局域化的过程。
• 非厄米与竞争效应：在具有无序的非厄米 SSH 模型中，该框架解耦了三种机制：鲁棒拓扑相、非厄米皮肤效应（NHSE）主导（以边界积累为特征）以及安德森主导（随机体局域化）。它成功重构了广义布里渊区的变形。
• 二维拓扑相：
  • 高阶拓扑绝缘体（2D SSH）：该方法在开边界条件下区分了体态、边缘态和角态，并提取了非平凡的分数缠绕数和量子度规。
  • 石墨烯与 Haldane 模型：它重构了原始石墨烯的狄拉克锥色散以及 Haldane 模型的有隙拓扑相。关键的是，它恢复了 Haldane 模型的量化陈数（$C=1$）和石墨烯的零总贝里曲率，同时解析了狄拉克点附近量子度规的奇异增强。

意义与主张
本文主张，Koopman-DMD 为凝聚态、光子学及相关领域中的波传播、局域化和拓扑相分析提供了一条统一的数据驱动途径。其主要意义在于：

1. 模型无关性：它无需显式哈密顿量即可运行，使其适用于参数未知、强无序或复杂驱动协议的系統，而这些正是传统解析或数值方法难以处理的领域。
2. 互补性：作者将 Koopman-DMD 定位为哈密顿量 FBD 的补充框架，而非替代品。虽然 FBD 从控制方程推导性质（自上而下），但 Koopman-DMD 直接从观测中推断有效动力学（自下而上）。
3. 几何性质的直接提取：它使得能够从有限尺寸、有限时间的数据中直接推断量子几何性质（贝里曲率、量子度规）和拓扑不变量，从而弥合了实验可观测量与理想 Bloch 能带理论之间的差距。
4. 通用性：该框架被证明在多种物理机制中均有效，包括平衡态、非平衡态（Floquet）、非厄米和无序系统，为诊断精确对角化在计算上不可行的多体局域化和拓扑相变提供了一种实用的替代方案。

本文结论指出，这种方法将能带理论扩展为一种与现代数据驱动科学自然契合的形式，在保留直接物理可解释性的同时，克服了方程建模在复杂现实系统中的局限性。