锡烯：拓扑与超导电性共存 | 前沿快讯No.22

Original 中国物理学会中国物理学会 2022-10-21

收录于合集 #前沿快讯 33个

快讯

共存的边缘态与超导电性

铁磁体费米面扩张

量子学习克服遗忘

少层锡烯中稳定共存的边缘态与超导电性

非平凡拓扑与超导性之间的相互作用很可能实现拓扑超导体，很可能进一步实现拓扑量子计算所需要的马约拉纳零能模。实现这一目标的主要方法是通过临近效应在具有强自旋轨道耦合的材料中诱导超导性，比如创建拓扑绝缘体/纳米线/原子链和传统超导体的异质结构。这种方法面临的挑战主要包括对界面结构的精确控制和有限的临近效应衰减长度。另一种途径是用一种内部临近效应来取代不同材料成分之间的外部临近性，称为自临近效应，指的是在单个材料内的体态和非平凡边界态之间的接近。最近发现的令人信服的例子包括 Fe(Te,Se)，Li(Fe,Co)As和(Li,Fe)OHFeSe等，主要挑战在于在这种多组分三维晶体中不可避免地存在化学计量不均匀性。迄今为止，具有这种自接近效应的2D候选系统仍然缺乏，最近发现少层锡烯具有本征超导性，同时也是二维量子自旋霍尔绝缘子的候选材料，为探索作为拓扑超导体提供了新的契机。

本文作者上海交通大学物理于天文学院Chenxiao Zhao等在Bi(111)衬底上制造了一至五层的锡烯薄膜，并利用扫描隧道显微镜观察到稳定的边缘态，测量了不同层数锡烯薄膜上不同的超导能隙。第一性原理计算进一步表明，钝化的氢作为表面活性剂在提高锡烯薄膜的质量方面起着决定性的作用，同时Bi衬底使得薄膜具有非平凡的拓扑结构。非平凡拓扑结构和本征超导性的共存使该系统有望成为基于单个单元系统的最简单的拓扑超导体。

相关研究成果以Coexistence of Robust Edge States and Superconductivity in Few-Layer Stanene为题，发表在《物理评论快报》 Physical Review Letter 128, 206802 (2022)上。

原文链接：

https://journals.aps.org/prl/pdf/10.1103/PhysRevLett.128.206802

铁磁体临界温度以上的费米面扩张

费米液体的概念为理解金属中电子相互作用的行为提供了坚实的基础。然而，强关联金属的性质往往会偏离费米液体的行为。一个著名的例子是在掺杂的铜酸盐中出现的赝能隙和奇异金属行为。由于这些状态产生了各种新奇的现象，如超导性和磁性，理解费米液体理论之外的关联效应是凝聚态物理中的一个基本问题。虽然在铜酸盐中赝能隙的起源仍有争议，其中一个被广泛讨论的情况是反铁磁涨落诱导机制：即使没有对称性破缺，反铁磁涨落导致了显著的动量依赖的自能项，产生赝能隙。最近，在重费米子材料CeRh6Ge4中观察到铁磁量子临界点和奇异金属行为。并研究了与横场伊辛模型中临界铁磁玻色子模式耦合的迅游费米子的哈密顿量中量子临界点的效应，证实了非费米液体行为的存在，报道了不寻常的光谱特性，包括铁磁不稳定性附近的光谱分裂。

本文作者RIKEN紧急物质科学中心Yusuke Nomura等利用动态平均场理论的集群扩展方法，表明强关联金属在磁转变温度上表现出显著的电子结构调制行为。特别是在铁磁体中，由于洪特耦合具有很大的局部磁矩，发生自旋极化时费米面甚至可以在居里温度以上出现扩张。这一现象起源于动量空间中强耦合状态下铁磁涨落。由此产生的显著的动量依赖、空间非局部电子关联诱导了一个涉及费米面体积变化的电子结构重构以及动量空间占据的重新分配。该发现将使我们对洪特铁磁体的物理本质有更加深入的了解。

相关研究成果以Fermi Surface Expansion above Critical Temperature in a Hund Ferromagnet为题，发表在《物理评论快报》 Physics Review Letters 128, 206401 (2022)上。

原文链接：

https://journals.aps.org/prl/pdf/10.1103/PhysRevLett.128.206401

量子学习克服遗忘

通过一系列丰富的神经过程和生物学机制，人类从生活中的现实经历获得知识和技能。人工构建的计算系统也可能处于连续的数据流和交互作用中，不断从新的经验中并保留以前学到的信息。随着时间的推移，不断积累知识的能力被称为持续学习或终身学习。将机器学习算法应用于许多难题已经取得了巨大的成功，他们可以达到人类水平，甚至在许多特定的任务上的表现超过了人类。然而，大多数机器学习算法被用来解决一个预定义问题，因此，当多个任务的数据连续不断的出现时，很难被重新使用。这种阻止学习模式持续学习的主要问题被称为灾难性的遗忘，指的是由于早期收集数据的不完整性，那些早期训练过的模式的在学习了新的模式后，表现会突然下降。这种灾难性遗忘被广泛认为是利用神经网络实现人工智能的关键障碍。

本文作者清华大学量子信息中心蒋文杰等研究了量子机器学习的灾难性遗忘现象，并发现与基于神经网络的经典学习模型类似，量子机器学习体系在各种应用场景中出现的分类任务中也存在这种灾难性遗忘问题。在训练模型的损失函数中，根据局部几何信息，采用一种平均策略可以克服增量学习中的遗忘问题。其研究结果揭示了量子机器学习中的灾难性遗忘现象并提供了一个切实可行的方法来解决这个问题，为探索持续学习的潜在量子优势开辟了一条新的途径。

相关研究成果以Quantum Continual Learning Overcoming Catastrophic Forgetting为题，作为亮点文章Editors’ suggestion发表在《中国物理快报》Chinese Physics Letters 39 050303 (2022)上。

原文链接：

http://cpl.iphy.ac.cn/10.1088/0256-307X/39/5/050303

编译：不言

排版：不言

美编：农民

责编：理趣

编者按

中国物理学会官方微信公众号本着“传播科学精神，服务科研工作者”的宗旨，特开设“前沿快讯”栏目，选录近期发表的前沿文章，对文中摘要和引言进行中文导读。由于译者水平有限，难免出现不准确之处，请通过留言批评指正。留言经编辑确认后，将及时进行勘误说明，供后来浏览者参考。

往期快讯

黑洞阴影 | 前沿快讯No.21

单电子量子比特平台 | 前沿快讯No.20