山西大学激光光谱研究所

   课题组在人工智能与拓扑物态交叉方向取得重要进展，相关成果发表在 《Sysmmtry》 期刊，论文题为 "Machine Learning Topological Invariants in Disordered Systems" （《无序系统中拓扑不变量的机器学习识别》）。激光光谱所博士生岳阳为第一作者，孙岳讲师是通讯作者，三立书院学生方泽明和胡颖教授参与了该工作。

  该研究针对无序系统中传统动量空间拓扑不变量失效这一长期挑战，提出了一种基于布居动力学数据驱动的机器学习方案。研究团队系统对比了前馈神经网络（FNN）、标准循环神经网络（RNN）及长短期记忆网络（LSTM） 在SSH模型及其无序变体中的拓扑相识别性能。结果表明，FNN以最低的训练成本实现了较高的预测精度；而在长时间序列、稀疏采样条件下，标准RNN展现出更强的识别优势。研究还开发了一款交互式网络工具，支持用户依据设定参数实时获取拓扑相预测结果。该工作不仅为研究者利用动力学数据识别拓扑相奠定了方法论基础，也为数据驱动的复杂量子相探索提供了开放、便捷的实用平台。