論文の概要: Machine learning dynamics of phase separation in correlated electron magnets

• arxiv url: http://arxiv.org/abs/2006.04205v1
• Date: Sun, 7 Jun 2020 17:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 08:39:30.259470
• Title: Machine learning dynamics of phase separation in correlated electron magnets
• Title（参考訳）: 相関電子磁石における相分離の機械学習ダイナミクス
• Authors: Puhan Zhang, Preetha Saha, Gia-Wei Chern
• Abstract要約: 両交換系における電子位相分離の大規模動的シミュレーションを機械学習により実現した。 本研究は,機械学習モデルを用いて相関電子系の大規模動的シミュレーションを行う方法である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We demonstrate machine-learning enabled large-scale dynamical simulations of electronic phase separation in double-exchange system. This model, also known as the ferromagnetic Kondo lattice model, is believed to be relevant for the colossal magnetoresistance phenomenon. Real-space simulations of such inhomogeneous states with exchange forces computed from the electron Hamiltonian can be prohibitively expensive for large systems. Here we show that linear-scaling exchange field computation can be achieved using neural networks trained by datasets from exact calculation on small lattices. Our Landau-Lifshitz dynamics simulations based on machine-learning potentials nicely reproduce not only the nonequilibrium relaxation process, but also correlation functions that agree quantitatively with exact simulations. Our work paves the way for large-scale dynamical simulations of correlated electron systems using machine-learning models.
• Abstract（参考訳）: 両交換系における電子位相分離の大規模動的シミュレーションを機械学習により実現した。 このモデルは強磁性コンド格子モデルとしても知られ、余剰磁気抵抗現象に関係していると考えられている。 電子ハミルトニアンから計算された交換力を持つそのような不均質状態の実空間シミュレーションは、大規模システムでは違法に高価である。 ここでは、小さな格子上の正確な計算からデータセットによって訓練されたニューラルネットワークを用いて、線形スケーリング交換場計算が可能であることを示す。 機械学習ポテンシャルに基づくランダウ・リフシッツ力学シミュレーションは、非平衡緩和過程だけでなく、正確なシミュレーションと定量的に一致する相関関数も良好に再現する。 本研究では,機械学習モデルを用いて相関電子系の大規模動的シミュレーションを行う。

関連論文リスト

• Enhanced coarsening of charge density waves induced by electron correlation: Machine-learning enabled large-scale dynamical simulations [4.94903410489486]
  相関電子系における創発的秩序の位相秩序運動は、非平衡物理学の基本的なトピックである。 我々は、電荷密度波(CDW)の粗大化をシミュレートする線形スケーリングアルゴリズムを実現するために、現代の機械学習(ML)手法を利用する。 本研究は、非平衡力学における電子相関の役割についての新しい知見を提供し、ML力場アプローチの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-12-30T16:44:11Z)
• GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
  GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。 ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Machine learning force-field model for kinetic Monte Carlo simulations of itinerant Ising magnets [0.0]
  電子イジングシステムの大規模動力学的モンテカルロ(kMC)シミュレーションのためのスケーラブル機械学習(ML)フレームワークを提案する。 本手法は第一原理分子動力学シミュレーションで広く用いられているML力場モデルに類似している。
  論文  参考訳（メタデータ） (2024-11-29T15:35:37Z)
• Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations [7.540467064488348]
  本稿では,Jern-Teller(JT)システムの断熱力学に対するスケーラブル機械学習(ML)力場モデルを提案する。 JT模型の大規模動力学シミュレーションは、コロッサル磁気抵抗マンガナイトの軌道秩序ダイナミクスに光を当てた。
  論文  参考訳（メタデータ） (2024-05-23T16:44:29Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Machine learning for phase ordering dynamics of charge density waves [5.813015022439543]
  電荷密度波(CDW)状態の大規模動的シミュレーションのための機械学習フレームワークを提案する。 ニューラルネットワークモデルを構築し,周辺環境からの入力により局所的な電子力を高精度かつ効率的に予測する。 本研究は,機能電子材料の動的シミュレーションにおけるMLベースの力場モデルの可能性を強調した。
  論文  参考訳（メタデータ） (2023-03-06T21:00:56Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Machine learning predictions for local electronic properties of disordered correlated electron systems [2.984639473379942]
  局所電子特性を予測するため,スケーラブルな機械学習(ML)モデルを提案する。 我々のアプローチは多電子系の局所性原理、すなわち近視性の性質に基づいている。 本研究は,相関電子系のマルチスケールモデリングにおけるML法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2022-04-12T17:28:51Z)
• Molecular spin qudits for quantum simulation of light-matter interactions [62.223544431366896]
  分子スピンキューディットは、物質と強く相互作用する光子場の量子力学をシミュレートする理想的なプラットフォームを提供する。 提案した分子量子シミュレータの基本単位は、マイクロ波パルスのみで制御されるスピン1/2とスピン$S$遷移金属イオンの単純な二量体で実現できる。
  論文  参考訳（メタデータ） (2021-03-17T15:03:12Z)
• Effects of the dynamical magnetization state on spin transfer [68.8204255655161]
  スピン偏極電子と局所スピンの動的状態の間の複雑な相互作用は、別々のプロセスに分解できることを示す。 以上の結果から,スピン伝達効率と結果の動的磁化状態の厳密な制御が可能である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-21T22:12:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。