它导电吗？或防止电力？物理学家通常将材料阶段分类为一个或另一个。机器学习是一种强大的模式识别工具，因此可以帮助识别物质的阶段。然而，机器学习需要向量子世界的桥梁，其中原子，电子和粒子的物理不同于较大的物体或星系的物理学。现在，科学家提供了一座桥梁，他们称之为量子循环地形技术。这是一种基于神经网络的机器学习算法。它以高效率检测到异端阶段，其中电力在材料表面周围进行，而不是通过中间。此外，它区分了正常的绝缘体和这些异国情调的拓扑绝缘体。
快速寻找异国情调的拓扑阶段对于新的超强电脑至关重要。在本研究中找到绝缘阶段只是这种技术的开头。该技术将神经网络连接到量子世界的理论。这量子世界往往会产生令人难以置信的特性，可以释放出强大的、节能的电子产品。这项技术为科学家提供了工具，以更快地发现和绘制其他奇异的阶段。
人们对利用机器学习来回答有关凝聚态物质(如金属和绝缘体)物理学的问题越来越感兴趣，包括如何理解许多电子之间的相互作用。量子系统可以有指数级大的参数空间，类似于图像的大数据集或消费者数据分析。因此,机器学习算法基于神经网络也可以训练来识别量子相。训练如此多的信息是困难的。然而，相关的信息要小得多。关键的挑战是从电子密度(又称多体波函数)中提取必要的信息。
在这项研究中，康奈尔大学的科学家已经成功解决了这一挑战。它们通过使用量子环形桥梁提取了基本数据。在施加该量子桥时，在电子密度分布中由三角区域或环形成多维图像。定义相位指导循环配置的签名。签名是一个特定类型，称为霍尔电导率。然后，科学家用单个隐藏层将多维图像馈送到完全连接的神经网络。
科学家们证明神经网络可以有效地培训以区分拓扑绝缘体（例如，Chern绝缘体和分数Chern绝缘体）从具有高保真度的正常绝缘体和显着加速标准方法。它们基本上接口了神经网络和图像识别凝聚态理论。从而量子环路地形克服了“基于神经网络的机器学习算法的拓扑近视”(美国物理社会观点)．这一成果为更快地识别拓扑顺序和获得更多的拓扑顺序铺平了道路阶段奇异材料的图表。
利用机器学习方法识别了物质的一个奇异拓扑相。左边的示意图显示了系统电子密度的快照。利用量子环地形(QLT)技术，电子密度剖面中邻近的三角形区域被转换为材料结构的多维图像。这些图像显示了不同的绝缘阶段，然后馈入神经网络。(这四个垂直的圆圈是神经网络中的一个隐藏层。)机器通过实例学习阶段是否拓扑。对于未来的应用，“受过教育的”机器可以自行检测拓扑阶段。(图片来源:美国能源部)
提交：M2M（机器到机器）
