p276. آشكارسازي بلورهاي زماني گسسته‌ي خراشيده توسط شبكه‌ي عصبي مكرر گيج‌شده

Detection of Scarred Discrete Time Crystals using confused Recurrent Neural Network

در اين كار، ابتدا مدل فلوكه عاري از بي‌نظمي را در نظر مي‌گيريم كه با وجود اينكه توزيع ترازهاي شبه‌انرژي در آن از آمار تعادليِ ويگنر-دايسون پيروي مي‌كند، ديناميك آن داراي نظم بلورِ زمانيِ پايداري است كه وابستگي شديدي به حالت اولية سيستم دارد. اين رفتار ناشي از حضور ويژه‌حالت‌هاي غيرهمدماشدة فلوكه‌اي است كه داراي همبستگي بلندبرد بوده و درون بخشي از فضاي هيلبرتِ همدماشدة سيستم محصور شده‌اند. اين ويژه‌حالت‌ها همپوشاني زيادي با دسته‌اي از حالت‌هاي اوليه با همبستگي كوتاه‌برد دارند. ما اين ديناميك بلورين را كه به وسيلة شكست ضعيف فرضية گرمايش ويژه‌حالت‌ها شكل گرفته است، بلور زمانيِ گسستة خراشيده مي‌ناميم. درنهايت، به منظور مشخص كردن مرز بين اين فاز غيرتعادلي و تعادلي از طريق ديناميك، از يادگيري ماشين بر اساس گيج‌شدگي در ساختار شبكه‌هاي عصبيِ مكرر استفاده مي‌كنيم.

In this work, we first delve into a clean Floquet model whose quasi-spectrum conforms to the ergodic Wigner-Dyson distribution, yet having a robust temporal crystalline order with strong initial-state dependence. We relate such behavior to certain non-thermal Floquet eigenstates with the long range correlations, which are embedded in the thermalizing Floquet spectrum and develop a high overlap with a family of short-range correlated prequench states. We dub such crystalline dynamics, formed by the weak breakdown of eigenstate thermalization hypothesis (ETH), “scarred discrete time crystal (DTC)”. To specify the boundary of the nonergodic-ergodic phases, from dynamics, we apply method from machine learning based on the “confusion” scheme with employing recurrent neural networks (RNN) architecture.