Обнаружение переплетённой топологии комплексной энергии в диссипативном атомном симуляторе с геометрической томографией на основе трансформера

Почему переплетённые энергетические петли важны

Когда мы думаем о узлах и косах, в голову приходят шнурки или пряди волос. Но в современной физике похожие запутанности возникают в уровнях энергии квантовых систем, особенно когда частицы могут утекать или теряться. Эти скрученные «энергетические косы» несут устойчивую топологическую информацию, потенциально полезную для будущих квантовых технологий — однако их крайне трудно наблюдать и интерпретировать в экспериментах. В статье показано, как современная модель машинного обучения, трансформер, может как обнаруживать эти тонкие топологические структуры, так и выявлять геометрические признаки, которые их определяют, используя тщательно настроенное облако ультрахолодных атомов в качестве испытательного стенда.

От гладких ландшафтов к запутанной энергии

Во многих квантовых материалах «фаза» вещества задаётся не простым параметром порядка, например намагниченностью, а глобальными топологическими свойствами. Они связаны с геометрией квантовых состояний системы или её энергетического спектра. В открытых, или неэрмитовых, системах, где возможна потеря частиц, энергии становятся комплексными числами с действительной и мнимой частями. При сканировании по импульсу энергии разных квантовых состояний описывают петли в трёхмерном пространстве энергии и импульса. Эти петли могут переплетаться и завязывать узлы друг вокруг друга, образуя косы, чья связность кодирует топологический инвариант — целое число, считающее, сколько раз зоны обёртываются и обмениваются местами. Такие структуры были предсказаны и наблюдались в фотонике и на других платформах, но прямое соотнесение топологии этих кос с их геометрическим происхождением в эксперименте остаётся серьёзной задачей.

Почему стандартное машинное обучение не справляется

Методы машинного обучения уже помогали классифицировать топологические фазы по сырым данным, используя свёрточные нейронные сети или методы неконтролируемой кластеризации. Однако эти подходы часто работают как «чёрные ящики»: они могут выдать правильную топологическую метку, но не показывают ясно, какие физические признаки наиболее важны и как ответ связан с детальной формой энергетических зон. Во многих случаях они опираются на локальные шаблоны и с трудом улавливают неместную структуру, определяющую топологию. Авторы вместо этого обращаются к трансформерам — семейству моделей, изначально разработанных для языка, чей механизм самовнимания естественным образом сравнивает каждую точку данных со всеми остальными. Это позволяет модели не только присваивать правильную «степень переплетения» спектру, но и выделять те части спектра, которые решающи.

Обучение трансформера «читать» косы

Исследователи сначала генерируют множество синтетических примеров спектров комплексной энергии с двумя зонами и разными типами переплетения — от простых незамкнутых петель до более сложных узлов. Каждый спектр представляют как последовательность точек по импульсу, где каждая точка содержит действительную и мнимую части двух энергетических уровней. Они обучают трансформер принимать эту последовательность на входе и выдавать степень переплетения — число, классифицирующее топологию. Внутренне слои самовнимания создают карту того, насколько сильно каждая точка импульса влияет на все остальные. Проецируя эти веса внимания обратно на спектры, команда может визуализировать, какие регионы модель считает наиболее важными. Обученный трансформер достигает крайне высокой точности в различении типов кос, превосходя сопоставимые свёрточные сети.

Проверка метода на ультрахолодных атомах

Чтобы проверить, справится ли этот инструмент машинного обучения с реальными данными, авторы строят атомный симулятор, используя конденсат Бозе — Эйнштейна атомов рубидия. Они создают эффективную двухуровневую систему, куплируя два внутренних состояния с помощью микроволнового излучения, в то время как резонансный лазер вводит управляемую потерю из одного состояния. Путём настройки частоты микроволн и мощности лазера они отслеживают, как комплексные энергии двух уровней изменяются при изменении управляющего параметра, формируя в энергетическом пространстве косы. Поскольку диссипация зависит от плотности атомов, эти косы меняют форму с течением времени: в короткое время они могут образовывать нетривиальные узлы или связи, тогда как в длинные времена, по мере вымывания атомов, косы могут развязаться в топологически тривиальную конфигурацию. После сглаживания и ресемплинга измеренных спектров команда подаёт их в обученный трансформер.

Видеть, куда «смотрит» модель

Трансформер корректно определяет степень переплетения экспериментальных спектров как в ранних, так и в поздних временных режимах и таким образом фиксирует топологические фазовые переходы, вызванные исключительно изменением диссипации. Ключевым является то, что карты внимания показывают: модель сосредоточена на пересечениях зон — точках, где действительные или мнимые части двух энергетических уровней совпадают или почти совпадают. Именно в этих пересечениях фаза квантовых состояний меняется наиболее резко, и именно там зоны могут обмениваться и формировать нетривиальные косы. Несмотря на то, что экспериментальная система нарушает часть симметрий, предполагаемых при обучении, и демонстрирует многочастичные, зависящие от плотности потери, трансформер хорошо обобщает, подтверждая, что эти пересечения являются геометрическим «скелетом» топологии.

Распутывание квантовых узлов с помощью интеллектуальных инструментов

В целом исследование демонстрирует мощное сочетание: экспериментально настраиваемая диссипативная квантовая система, в которой естественно возникают запутанные энергетические структуры, и интерпретируемая модель машинного обучения, способная как классифицировать их топологию, так и указывать на ключевые геометрические признаки. Для неспециалиста главный вывод в том, что современные инструменты ИИ могут делать больше, чем просто маркировать сложные квантовые фазы — они помогают учёным «увидеть», как и где система завязывает свои узлы. Такой подход может направлять поиск новых топологических эффектов в широком классе открытых квантовых платформ и приблизить нас к практическому контролю устойчивого, управляемого геометрией поведения в будущих квантовых устройствах.

Цитирование: Yue, Y., Li, N., Zhang, X. et al. Detecting complex-energy braiding topology in a dissipative atomic simulator with transformer-based geometric tomography. Nat Commun 17, 3539 (2026). https://doi.org/10.1038/s41467-026-71880-4

Ключевые слова: топологические фазы, неге рмитова физика, конденсат Бозе — Эйнштейна, машинное обучение на основе трансформера, переплетение энергетических зон