論文の概要: Machine learning nonequilibrium electron forces for adiabatic spin dynamics

• arxiv url: http://arxiv.org/abs/2112.12124v1
• Date: Wed, 22 Dec 2021 18:37:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 16:25:41.147866
• Title: Machine learning nonequilibrium electron forces for adiabatic spin dynamics
• Title（参考訳）: 断熱スピンダイナミクスのための機械学習非平衡電子力
• Authors: Puhan Zhang and Gia-Wei Chern
• Abstract要約: 非平衡グリーン関数法から計算した駆動s-dモデルの力を学習するディープラーニングニューラルネットワークを開発した。 本研究では,ニューラルネットワークモデルから予測される力を用いたランダウ・リフシッツ力学シミュレーションにより,電圧駆動型磁壁伝播を正確に再現することを示した。
• 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 present a generalized potential theory of nonequilibrium torques for the Landau-Lifshitz equation. The general formulation of exchange forces in terms of two potential energies allows for the implementation of accurate machine learning models for adiabatic spin dynamics of out-of-equilibrium itinerant magnetic systems. To demonstrate our approach, we develop a deep-learning neural network that successfully learns the forces in a driven s-d model computed from the nonequilibrium Green's function method. We show that the Landau-Lifshitz dynamics simulations with forces predicted from the neural-net model accurately reproduce the voltage-driven domain-wall propagation. Our work opens a new avenue for multi-scale modeling of nonequilibrium dynamical phenomena in itinerant magnets and spintronics based on machine-learning models.
• Abstract（参考訳）: ランダウ・リフシッツ方程式に対する非平衡トルクの一般化ポテンシャル理論を提案する。 2つのポテンシャルエネルギーの観点から交換力の一般的な定式化は、非平衡イテナント磁気系の断熱スピンダイナミクスの正確な機械学習モデルの実装を可能にする。 本手法を実証するために,非平衡グリーン関数法から計算した駆動s-dモデルの力の学習に成功したディープラーニングニューラルネットワークを開発した。 ニューラルネットモデルから予測される力を用いたランダウ・リフシッツ動力学シミュレーションにより,電圧駆動型ドメイン壁伝搬を再現できることが示されている。 本研究は,機械学習モデルに基づく一様磁石およびスピントロニクスにおける非平衡力学現象のマルチスケールモデリングのための新しい道を開く。

関連論文リスト

• Machine learning force-field models for metallic spin glass [4.090038845129619]
  金属スピングラスの動的シミュレーションのためのスケーラブルな機械学習フレームワークを提案する。 Behler-Parrinello型ニューラルネットワークモデルを開発し、電子誘起局所磁場を高精度かつ効率的に予測する。
  論文  参考訳（メタデータ） (2023-11-28T17:12:03Z)
• Finding the Dynamics of an Integrable Quantum Many-Body System via Machine Learning [0.0]
  学習手法を用いて,ガウディン磁石(中心スピンモデル)の力学について検討する。 この直感によって部分的に動機付けられ、モデルハミルトニアンの各変分固有状態に対してニューラル・ネットワーク表現を用いる。 この感受性の効率的な説明を持つことで、量子二段階系の環境と相互作用する量子ビットのキャラクタリゼーションと量子制御手順の改善への扉を開くことができる。
  論文  参考訳（メタデータ） (2023-07-06T21:49:01Z)
• 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)
• 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)
• Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
  常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。 地磁気場状態の局所励起による初期状態を考慮する。 局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
  論文  参考訳（メタデータ） (2022-07-14T10:05:20Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
  本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。 我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
  論文  参考訳（メタデータ） (2021-06-25T17:25:38Z)
• Sobolev training of thermodynamic-informed neural networks for smoothed elasto-plasticity models with level set hardening [0.0]
  本研究では, 可視成分を用いた平滑な弾塑性モデルの学習を目的としたディープラーニングフレームワークを提案する。 収率関数を進化レベル集合として再キャストすることにより、ハミルトン・ヤコビ方程式の解を予測する機械学習手法を導入する。
  論文  参考訳（メタデータ） (2020-10-15T22:43:32Z)
• Machine learning dynamics of phase separation in correlated electron magnets [0.0]
  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。
  論文  参考訳（メタデータ） (2020-06-07T17:01:06Z)
• Simulation of complex dynamics of mean-field $p$-spin models using measurement-based quantum feedback control [0.0]
  量子計測とフィードバックを用いて多体スピン系の非線形力学をシミュレーションする新しい手法を適用した。 粒子スピンの断熱力学における動的相転移の性質と自発的対称性の破れの出現を含む応用について検討する。
  論文  参考訳（メタデータ） (2020-04-23T18:22:03Z)
• Energy and momentum conservation in spin transfer [77.34726150561087]
  エネルギーと線形運動量保存法則がスピン移動によって誘起される磁気励起の性質に強い制約を課していることを示す。 以上の結果から,スピン移動駆動磁化ダイナミクスの精密制御を実現する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-04T15:43:30Z)

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。