在耗散原子模拟器中用基于变换器的几何层析检测复能量缠绕拓扑

为什么纠结的能量回路很重要

当我们想到结和编织时，会联想到鞋带或发丝。但在现代物理中，类似的纠缠也会出现在量子体系的能级中，尤其是在粒子可能泄漏或丢失的情况下。这些扭曲的“能量编织”承载着鲁棒的拓扑信息，可能对未来的量子技术有用——然而在实验中它们极难被观测和解读。本文展示了如何利用最前沿的机器学习模型——变换器（Transformer）——在一个精心设计的超冷原子体系中，既检测这些细微的拓扑模式，又揭示使其产生作用的几何特征。

从平滑图景到打结的能量

在许多量子材料中，物质的整体“相”并非由简单的序参量（例如磁化强度）来定义，而是由全局的拓扑性质决定。这些性质与体系量子态或能谱的几何形状相关。在开放的、或非厄米的体系中，粒子可能会丢失，能量变为具有实部和虚部的复数。当沿动量扫描时，不同量子态的能量在能量与动量的三维空间中描出闭合回路。这些回路可以相互连结或打结，形成的编织其连通性编码着拓扑不变量——一个计数能带如何缠绕与交换的整数。这类结构在光子学和其他平台中已有预测与观测，但在实验中将这些编织的拓扑与它们的几何起源直接联系起来仍是一项重大挑战。

为什么传统机器学习不足

机器学习已经帮助从原始数据中对拓扑相进行分类，使用过卷积神经网络或无监督聚类等工具。然而，这些方法常表现为黑箱：它们可能输出正确的拓扑标签，但不会清楚地指出哪些物理特征最重要，或答案如何与能带的详细形状相关。在许多情况下，它们依赖局部模式，难以捕捉定义拓扑所需的非局部结构。作者转而使用变换器，这是一类最初为语言处理开发的模型，其自注意力机制天然地将数据中的每个点与每个其他点相互比较。这使模型不仅能为给定谱分配正确的拓扑“编织度”，还能突出显示哪些谱的区域是决定性的。

教变换器“读懂”编织

研究者首先生成了大量合成的两能带复能量谱示例，涵盖从简单的不相连回路到更复杂结结构的不同编织类型。每个谱被表示为沿动量的一系列点，每个点包含两条能级的实部和虚部。他们训练一个变换器将该序列作为输入并输出编织度——用于分类拓扑的一个数字。在内部，自注意力层产生了一个映射，显示每个动量点对每个其他点的影响强度。通过将这些注意力权重投影回谱上，团队可以可视化模型认为最重要的区域。训练后的变换器在区分不同编织类型上达到了极高的准确率，甚至优于可比较的卷积网络。

在超冷原子上检验该方法

为了检验这一机器学习工具能否处理真实世界的数据，作者构建了一个原子模拟器，使用铷原子的玻色–爱因斯坦凝聚体。他们通过微波辐射耦合两个内部态，构建一个有效的二能级系统，同时用共振激光对其中一态引入可控损失。通过调节微波频率和激光功率，他们绘制出两个能级的复能量如何随控制参数变化，从而在能量空间中形成编织。由于耗散依赖于原子密度，这些编织会随时间改变：在短时间内它们可以形成非平凡的结或连结，而在长时间内，随着原子被耗散，编织可能解开成拓扑平凡的构型。团队对测得的谱进行平滑与重采样后，将其输入到训练好的变换器中。

看模型“注视”的位置

变换器正确识别了实验谱在早期和晚期时刻的编织度，从而检测到纯粹由耗散变化驱动的拓扑相变。关键是，注意力图显示模型聚焦于能带交叉处——即两条能级的实部或虚部相遇或近似相遇的点。这些交叉恰是量子态相位剧烈绕行的地方，也是能带可能交换并形成非平凡编织的区域。即便实验体系破坏了训练时假设的一些对称性并表现出多体、密度相关的损失，变换器仍能很好地泛化，确认这些交叉是拓扑的几何骨架。

用智能工具解开量子结

总体而言，该研究展示了一个强有力的组合：一个可在实验中可调的耗散量子体系天然地承载打结的能量结构，以及一个可解释的机器学习模型，既能对其拓扑进行分类，又能指出导致这些特征的关键几何成分。对非专业读者而言，结论是先进的人工智能工具不仅能为复杂量子相贴标签——它们还能帮助科学家“看见”体系如何以及在哪里打结。这一方法可指导在广泛的开放量子平台中寻找新的拓扑效应，并使我们更接近在未来量子器件中对由几何驱动的鲁棒行为进行实际控制。

引用: 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

关键词: 拓扑相, 非厄米物理, 玻色–爱因斯坦凝聚, 变换器机器学习, 能带缠绕