ترجمه فارسی مقاله بافت انرژی توپولوژیکی یادگیری ماشین از باندهای غیر بلوخ

چکیده

Machine learning has been used to identify phase transitions in a variety of physical systems. However, there is still a lack of relevant research on non-Bloch energy braiding in non-Hermitian systems. In this work, we study non-Bloch energy braiding in one-dimensional non-Hermitian systems using unsupervised and supervised methods. In unsupervised learning, we use diffusion maps to successfully identify non-Bloch energy braiding without any prior knowledge and combine it with k-means to cluster different topological elements into clusters, such as Unlink and Hopf link. In supervised learning, we train a Convolutional Neural Network (CNN) based on Bloch energy data to predict not only Bloch energy braiding but also non-Bloch energy braiding with an accuracy approaching 100%. By analysing the CNN, we can ascertain that the network has successfully acquired the ability to recognise the braiding topology of the energy bands. The present study demonstrates the considerable potential of machine learning in the identification of non-Hermitian topological phases and energy braiding.

چکیده به فارسی (ترجمه ماشینی)

از یادگیری ماشین برای شناسایی انتقال فاز در انواع سیستم های فیزیکی استفاده شده است.با این حال ، هنوز کمبود تحقیقات مرتبط در مورد استفاده از انرژی غیر بلوچ در سیستم های غیر هرمیتی وجود دارد.در این کار ، ما با استفاده از روشهای بدون نظارت و نظارت ، با استفاده از روشهای غیر هرمیتی یک بعدی در سیستم های غیر هرمیتی یک بعدی را مطالعه می کنیم.در یادگیری بدون نظارت ، ما از نقشه های انتشار برای شناسایی موفقیت آمیز با بریدن انرژی غیر بلوچ و بدون هیچ دانش قبلی استفاده می کنیم و آن را با k- معنی ترکیب می کنیم تا عناصر توپولوژیکی مختلف را به خوشه هایی مانند لینک و هاپف تبدیل کنیم.در یادگیری تحت نظارت ، ما یک شبکه عصبی حلقوی (CNN) را بر اساس داده های انرژی Bloch آموزش می دهیم تا نه تنها با استفاده از انرژی بلوچ انرژی بلوچ بلکه با دقت و همچنین با دقت به انرژی غیر بلوچ با دقت به 100 ٪ پیش بینی کنیم.با تجزیه و تحلیل CNN ، می توانیم تشخیص دهیم که این شبکه با موفقیت توانایی تشخیص توپولوژی بافته نوارهای انرژی را به دست آورده است.مطالعه حاضر پتانسیل قابل توجهی از یادگیری ماشین را در شناسایی مراحل توپولوژیکی غیر هرمیتی و با استفاده از انرژی با انرژی نشان می دهد.