任捷课题组在人工智能交叉物理学的重要进展在Phys. Rev. Lett.上发表
发布时间：2020-05-13
任捷教授课题组在人工智能与前沿物理学的交叉领域取得重要进展，利用无监督流形学习对拓扑固态晶体声子进行成功的无人自主智能的聚类分类，相关研究成果于2020年5月6日，以“Unsupervised manifold clustering of topological phononics”为题，发表在国际物理学顶级期刊Physical Review Letter第124卷第18期上[Phys. Rev. Lett. 124, 185501 (2020)]。物理科学与工程学院17级博士生龙洋为论文第一作者，任捷教授为论文通讯作者，陈鸿教授做出了重要贡献。
拓扑声子是拓扑物理的分支之一，研究从宏观机械系统到微观纳米振动晶格中的拓扑保护现象，比如无散射的拓扑边界态，对量子器件的实现具有重要意义。但是，拓扑声子系统往往伴随有限尺寸、杂质、随机、无序无定形等特点，难以用通用的拓扑不变量描述。任捷课题组创新性地利用流形学习来高效解决拓扑物理的挖掘与分类问题，通过引入基于实空间的映射算符和定义算符之间的相似性，成功克服了上述拓扑声子学方面的困难和挑战。
图1 利用人工智能实现拓扑声子的无监督识别
在这项工作中，他们应用无监督机器学习方法，在没有人类先验知识的情况下，借助于提出的实空间表示，以数据驱动方式处理现代声子系统的拓扑识别问题。他们证实了机器能够成功地探索出具有非平凡物理特征的各种拓扑状态族，诸如无序一维声子链、二维多孔拓扑声子、高阶拓扑声子、随机无定形、非厄米声子系统筹，验证了基于机器学习的该方案的普适性，揭示了非常规的声子-波现象背后的复杂机制。任捷教授表示：“该项工作虽然是基于拓扑声子系统来进行研究，但其方法和结论并不局限于声子系统，可以推广到其它波动系统当中，比如拓扑光子学。”这项工作将为数据驱动的拓扑物态分析奠定基础，并激发理解拓扑相的新见解，包括随机、耗散和非平衡的物理系统。
该项研究得到了国家自然科学重点基金面上基金和国家重点研发计划的资助。
文章链接：https://doi.org/10.1103/PhysRevLett.124.185501
“Unsupervised Manifold Clustering of Topological Phononics”, Yang Long, Jie Ren, and Hong Chen, Phys. Rev. Lett. 124, 185501.