論文の概要: Graph Neural Network Potential for Magnetic Materials

• arxiv url: http://arxiv.org/abs/2203.02853v1
• Date: Sun, 6 Mar 2022 01:54:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 18:31:43.668319
• Title: Graph Neural Network Potential for Magnetic Materials
• Title（参考訳）: 磁性材料のためのグラフニューラルネットワークポテンシャル
• Authors: Hongyu Yu, Yang Zhong, Changsong Xu, Xingao Gong, Hongjun Xiang
• Abstract要約: スピン依存ML原子間ポテンシャルアプローチは、あらゆる磁気系に対して開発されている。 Heisenberg edge graph Neural Network (HEGNN) と spin-distance edge graph Neural Network (SEGNN) で構成されている。 実験では、高次スピンハミルトニアンと2つの複雑なスピン格子ハミルトニアンを完全嵌合させ、BiFeO3のスピン格子結合を捕捉した。
• 参考スコア（独自算出の注目度）: 5.512295869673147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) interatomic potential has shown its great power in condensed matter physics. However, ML interatomic potential for a magnetic system including both structural degrees of freedom and magnetic moments has not been well developed yet. A spin-dependent ML interatomic potential approach based on the crystal graph neural network (GNN) has been developed for any magnetic system. It consists of the Heisenberg edge graph neural network (HEGNN) and spin-distance edge graph neural network (SEGNN). The network captures the Heisenberg coefficient variation between different structures and the fine spin-lattice coupling of high order and multi-body interaction with high accuracy. In the tests, this method perfectly fitted a high-order spin Hamiltonian and two complex spin-lattice Hamiltonian and captured the fine spin-lattice coupling in BiFeO3. In addition, a disturbed structure of BiFeO3 with strain was successfully optimized with the trained potential. Our work has expanded the powerful ML GNN potentials to magnetic systems, which paves a new way for large-scale dynamic simulations on spin-lattice coupled systems.
• Abstract（参考訳）: 機械学習(ML)原子間ポテンシャルは、凝縮物質物理学においてその大きな力を示している。 しかし、構造的自由度と磁気モーメントの両方を含む磁気系のML原子間ポテンシャルはまだ十分に発達していない。 結晶グラフニューラルネットワーク(GNN)に基づくスピン依存ML原子間ポテンシャルアプローチが,任意の磁気系に対して開発された。 ハイゼンベルクエッジグラフニューラルネットワーク(HEGNN)とスピン距離エッジグラフニューラルネットワーク(SEGNN)で構成されている。 このネットワークは、異なる構造間のハイゼンベルク係数の変動と、高次および多体相互作用の微細スピン格子結合を高精度に捉える。 実験では、高次スピンハミルトニアンと2つの複雑なスピン格子ハミルトニアンを完全嵌合させ、BiFeO3のスピン格子結合を捕捉した。 さらに, ひずみを有するBiFeO3の破壊構造を, トレーニングした電位で最適化した。 我々の研究は、強力なML GNNポテンシャルを磁気システムに拡張し、スピン格子結合系における大規模動的シミュレーションの新しい方法を開発した。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning [0.0]
  本研究では、マルチタスク学習を通じてスピン自由度を統合する新しいNNPモデルであるSpinMultiNetを紹介する。 SpinMultiNetはDFT計算から得られた正しいスピン値に頼ることなく正確な予測を行う。 遷移金属酸化物のデータセット上での検証は、SpinMultiNetの高い予測精度を示す。
  論文  参考訳（メタデータ） (2024-09-05T05:13:28Z)
• Machine learning force-field models for metallic spin glass [4.090038845129619]
  金属スピングラスの動的シミュレーションのためのスケーラブルな機械学習フレームワークを提案する。 Behler-Parrinello型ニューラルネットワークモデルを開発し、電子誘起局所磁場を高精度かつ効率的に予測する。
  論文  参考訳（メタデータ） (2023-11-28T17:12:03Z)
• Spin decoherence in VOPc@graphene nanoribbon complexes [5.691318972818067]
  カーボンナノリボンまたはナノグラフェン量子ビットアレイは、光、電荷、スピン間の量子-量子変換を促進する。 両腕縁グラフェンナノリボン(GNR)上に集積したバナジルフタロシアニン(VOPc)分子の電子分子スピンの周囲核スピン浴との結合によるスピン脱コヒーレンスの研究 このデコヒーレンス時間$T$は磁場配向に対して異方性であり、VOPcおよびGNR上の核スピンによってのみ決定される。
  論文  参考訳（メタデータ） (2023-07-31T04:55:05Z)
• 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)
• General time-reversal equivariant neural network potential for magnetic materials [5.334610924852583]
  本研究では、時間反転E(3)同変ニューラルネットワークと、磁気システムに対する包括的な原子間ポテンシャルを構築するためのSpinGNN++フレームワークを提案する。 SpinGNN++はスピン同変ニューラルネットワークを、ハイゼンベルク、ジアロシンスキー・モリヤ、キタエフ、単一イオン異方性、バイカドラル相互作用を含む明示的なスピン格子項と統合する。 SpinGNN++は単層CrTe2の基底磁気状態として新しい強磁性状態を認識する。
  論文  参考訳（メタデータ） (2022-11-21T12:25:58Z)
• Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
  本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。 超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
  論文  参考訳（メタデータ） (2021-03-15T21:38:41Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• 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。