🔬 介观物理

Non-Abelian quantum Hall states at strong Landau level mixing: finding anyons with first-principles AI

本文通过使用动量解析神经网络变分波函数，展示了第一个关于 $\nu = 3/2$ 非阿贝尔量子霍尔问题的完整第一性原理解，证明了强朗道能级混合有利于反Pfaffian态，并证实了具有 $\sqrt{2}$ 量子维数的伊辛型非阿贝尔任意子的出现。

原作者： Pierre-Antoine Graham, Ahmed Abouelkomsan, Liang Fu

发布于 2026-10-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Pierre-Antoine Graham, Ahmed Abouelkomsan, Liang Fu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在奇妙的量子物理世界中，粒子并不总是表现得像我们周围看到的固体物体那样。有时，它们更像是池塘中的涟漪；当许多粒子在极端条件下相互作用时，它们可以形成一种拥有自身规则的新型物质。其中一个最引人入胜的现象是分数量子霍尔效应，这是一种当电子被困在一个平面层中并受到强大磁场作用时出现的物质状态。在这种条件下，电子会将自身组织成一种高度有序的类流体状态。在这种流体中，电子的行为表现得仿佛携带了它们通常电荷的一部分，并且可以形成被称为“任意子”（anyons）的奇异粒子。这些任意子非常特殊，因为交换它们的位置不仅仅是轻微改变系统，而是会从根本上改变整个群体的量子态，这种改变是无法通过简单的测量来撤销的。这种独特的行为使它们成为构建下一代量子计算机的领先候选者，而量子计算机有望解决目前当今机器无法解决的问题。然而，确定这些系统中究竟存在哪种类型的任意子是一个长达数十年的谜题，其复杂之处在于电子一直在以难以计算的方式相互挤压。

长期以来，科学家们一直难以预测这些量子流体的确切性质，因为当电子相互作用过于强烈时，标准的计算方法就会失效。在许多实验设置中，电子非常拥挤且充满能量，以至于它们会在不同的能级之间跳跃，这种现象被称为朗道能级混合（Landau level mixing）。传统的计算机模型通常忽略这些跳跃，或者将其视为一个微小的、可控的误差，但实际上，这种混合往往是塑造系统的主要力量。如果不考虑这一点，理论会产生相互矛盾的预测，导致研究人员无法确定电子究竟形成了哪一种特定的拓扑序。这个问题已经悬而未决三十多年，不同的实验指向了不同的答案，而理论模型也无法就事实真相达成一致。

麻省理工学院的一个研究小组现在使用一种完全不同的方法解决了这个问题：人工智能。他们没有试图将物理学强行塞入简化的方程，而是训练了一个神经网络——一种受人类大脑启发的计算机程序——直接从自然的基本定律中学习电子的行为。他们从描述电子如何相互排斥以及如何在磁场中运动的基本方程开始，并没有告诉计算机它应该寻找什么样的状态。神经网络被允许在可能的电子排列构型构成的广阔景观中自行探索，寻找能够使系统能量最小化的配置。这种方法之所以强大，是因为它不依赖于人类的猜测或关于答案应有的既有理论；它只是让数据说话。

研究人员专注于一个特定的场景，即电子在自旋上完全极化，并占据一个填充因子为 3/2 的状态。这意味着最低能量层是完全填满的，而下一个能级是半满的。在这种设定下，团队模拟了一个包含 21 个电子的系统，并发现神经网络成功发现了一种稳定的类液体状态。当他们分析这种状态的特性时，发现了一种非阿贝尔拓扑序（non-Abelian topological order）的特定特征。这种特征出现在电子彼此纠缠的方式中，揭示了具有特定数学属性（即量子维度为 $\sqrt{2}$ ）的任意子的存在。这个数值是被称为“伊辛型”（Ising type）的一种特定有序结构的标志，而这正是实现容错量子计算所需要的。模拟表明，即使在电子相互作用非常强烈的情况下，这种状态也是稳健且稳定的。

为了确定这些电子究竟选择了哪种版本的拓扑序，研究人员将他们通过 AI 发现的状态与几种竞争理论进行了对比。当时存在三个主要的基态候选者：Moore-Read Pfaffian、其粒子-空穴共轭态 anti-Pfaffian，以及第三种可能性称为 particle-hole Pfaffian。通过计算 AI 的解与每个理论模型的匹配程度，团队找到了一个明确的赢家。神经网络发现的状态与 anti-Pfaffian 的重叠最为显著。这一结果意义重大，因为它表明当朗道能级混合很强时，系统会自然而然地倾向于 anti-Pfaffian 序而非其他类型。该研究明确排除了 particle-hole Pfaffian 作为该机制下基态候选者的可能性，因为无论相互作用强度如何，它与该模型的重叠始终非常小。

这种方法的威力在于它能够处理问题的全部复杂性，而不对物理过程进行简化。以往的研究必须将计算限制在仅一个或两个能级内，或者将能级间的混合视为微小的修正。而这种新方法在模拟中包含了所有的电子和所有的能级，捕捉到了强相互作用的完整效应。研究人员通过检查系统的能量并将其与旧的、更受限的计算结果进行对比，验证了他们的发现，发现他们的 AI 模型始终能产生更低、更准确的能量。他们还观察到，随着混合强度的增加，电子开始在更高的能级之间重新分布，这是旧模型完全忽略的细节。

这项工作为这个困扰理论界数十年的问题提供了直接的、基于第一性原理的解决方案。它证明了人工智能可以被用来揭示量子物质中隐藏的规则，找到传统数学难以揭示的复杂模式。这些发现对于在单层二硒化钨和氧化锌等材料中进行的近期实验尤为相关，在这些材料中可以观察到类似的强混合效应。在这些材料中，由于电子质量较大，能级之间的混合是不可避免的，从而为研究人员识别出的那种非阿贝尔序创造了完美的环境。通过表明 anti-Pfaffian 态是在这些条件下可能的基态，这项研究为实验学家提供了具体的验证目标，并有助于理清通往构建实用拓扑量子计算机的路径。研究证实，当电子被允许充分相互作用且不受人为约束时，它们会进入一种特定的、高度有序的状态，而这正是开启新量子技术时代的钥匙。

技术摘要：强朗之万能级混合下的非阿贝尔量子霍尔态

问题陈述
在偶数分数量子霍尔（FQH）填充因子下，特别是 GaAs 中的 $\nu = 5/2$ 以及具有强朗之万能级（LL）混合效应的材料（如 ZnO, WSe $_2$ ）中的 $\nu = 3/2$ ，其非阿贝尔性质的本质仍是一个悬而未决的问题。虽然 Moore–Read Pfaffian 态被认为是领先的候选态，但 Pfaffian、其粒子-空穴共轭态（anti-Pfaffian）以及粒子-空穴对称的 PH-Pfaffian 之间的竞争已被证明难以解决。以往理论研究的一个关键局限在于无法非微扰地处理强朗之万能级混合。现有的数值方法要么将希尔伯特空间截断为单个或少数几个朗之万能级，要么将能级混合视为一种微小的扰动。在库仑能量与回旋能量相当甚至超过回旋能量的情况下（这在宽量子阱和过渡金属二硫化物的近期实验中十分普遍），这种处理方式是不充分的。

方法论
作者提出了一个针对自旋极化电子在 $\nu = 3/2$ 时情况的第一性原理解法，该解法包含了所有电子和所有朗之万能级而不进行截断。其核心方法是基于 MagNet 架构的动量分辨神经网络变分波函数（NN-VMC）。

变分拟设： 波函数构建为多体轨道 Slater 行列式的和， $\Psi_\theta = \sum_n \det(\phi^n_j)$ 。每个轨道 $\phi^n_j$ 分解为一个周期振幅 $F^n_j$ 和一个编码磁边界条件的准周期因子 $\chi^n_j$ 。
神经网络架构： 振幅和缠绕映射（用于控制轨道的零点）由自注意力神经网络进行参数化。该网络输入是将电子坐标映射到环面上的高维特征。架构包含 $L$ 层结合了自注意力和多层感知器（MLP）的层。
动量投影： 为了获取拓扑简并的基态，作者利用了磁平移对称性。他们通过在磁单位胞上对变分波函数的平移副本进行加权求和（并配合适当的相位），构造出质心（COM）动量本征态 $\Phi_k$ 。
优化： 通过使用蒙特卡洛采样，仅通过最小化变分能量 $E_k(\theta) = \langle \Phi_k | H | \Phi_k \rangle / \langle \Phi_k | \Phi_k \rangle$ 来优化网络参数。在拟设过程中没有注入任何关于预期拓扑序的先验知识。
表征：
- 拓扑序： 通过环面上的基态简并度和动量本征值的模式来识别。
- 任意子含量： 使用最小纠缠态（MESs）进行探测。作者构造了简并基态的线性叠加，以最小化跨分区的纠缠熵。不同 MESs 之间的 Rényi 纠缠熵差异给出了任意子的量子维度。
- 状态识别： 计算 NN-VMC 基流流形与 Pfaffian、anti-Pfaffian 和 PH-Pfaffian 试探流形之间的重叠度。为了考虑 LL 混合，试探态使用 Schrieffer–Wolff 变换进行“修饰”，以包含虚拟的朗之万能级间激发。

关键结果

基态简并度与任意子： 对于 $\kappa = 1.0$ （ $\kappa$ 为 LL 混合参数）下的 $\nu = 3/2$ 情况，该方法对于奇数个电子（ $N=21$ ）产生二重简并基态，对于活性朗之万能级中的偶数个电子（ $N=18$ ）产生六重简并。这与 Moore–Read 型态的预期简并度相匹配。
量子维度： 对 $N=18$ 的六个 MESs 的纠缠熵分析揭示了一个与 Ising 型非阿贝尔序一致的结构。四个 MESs 对应于阿贝尔扇区（量子维度 $d=1$ ），而两个 MESs 表现出 $\log 2$ 的熵增，对应于一个具有量子维度 $d_\sigma = \sqrt{2}$ 的非阿贝尔任意子。
朗之万能级混合的影响：
- NN-VMC 能量显著低于受限于前两个朗之万能级的精确对角化（ED）能量，这表明高阶 LL 显著降低了能量。
- 随着 $\kappa$ 的增加，高阶朗之万能级的占据率上升，最低两个能级被耗尽。
- 在极强混合（ $\kappa = 20$ ）时，系统从液体态转变为 Wigner 晶体，这由对相关函数中显著峰值的观察得到证实。
拓扑序选择： 通过比较与修饰后的试探态的重叠度，作者发现，在研究的所有 $\kappa$ 值下，anti-Pfaffian 态与 NN-VMC 基态的重叠度始终高于 Pfaffian 或 PH-Pfaffian。与 PH-Pfaffian 的重叠度很小，从而排除了其作为该机制下基态候选者的可能性。随着 $\kappa$ 的增加，对 anti-Pfaffian 的偏好进一步加强。

意义与主张
本文声称提供了第一个包含所有电子和所有朗之万能级的非阿贝尔 FQH 问题的完整非微扰解。其主要意义在于证明了神经网络波函数在仅基于微观哈密顿量（无物理先验）进行优化时，也能成功识别非阿贝尔任意子及其量子维度。

作者强调，其方法解决了在强朗之万能级混合机制下候选拓扑序之间的竞争问题，这一机制在涉及大有效质量的 WSe $_2$ 和 ZnO 的近期实验中具有相关性。结果表明，朗之万能级混合使 anti-Pfaffian 拓扑序优于 Pfaffian。这项工作确立了神经网络变分方法作为从第一性原理出发表征拓扑相的强大工具，特别是在传统微扰法或截断希尔伯特空间方法失效的参数机制中。

类似论文