Fugu-MT 論文翻訳(概要): Spin-Dependent Graph Neural Network Potential for Magnetic Materials

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

arxiv url: http://arxiv.org/abs/2203.02853v2
Date: Thu, 20 Apr 2023 06:14:18 GMT
ステータス: 処理完了
システム内更新日: 2023-04-21 17:44:58.988700
Title: Spin-Dependent Graph Neural Network Potential for Magnetic Materials
Title（参考訳）: 磁性材料のスピン依存型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, Liangliang Hong, Changsong Xu, Wei Ren, Xingao Gong, Hongjun Xiang
Abstract要約: SpinGNNは、磁気システムを記述するためにグラフニューラルネットワーク(GNN)を使用するスピン依存型原子間ポテンシャルアプローチである。スピンGNNの有効性は、高階スピンハミルトニアンと2つの複素スピン格子ハミルトニアンを適合させる際、例外的な精度で示される。
参考スコア（独自算出の注目度）: 5.775111970429336
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The development of machine learning interatomic potentials has immensely contributed to the accuracy of simulations of molecules and crystals. However, creating interatomic potentials for magnetic systems that account for both magnetic moments and structural degrees of freedom remains a challenge. This work introduces SpinGNN, a spin-dependent interatomic potential approach that employs the graph neural network (GNN) to describe magnetic systems. SpinGNN consists of two types of edge GNNs: Heisenberg edge GNN (HEGNN) and spin-distance edge GNN (SEGNN). HEGNN is tailored to capture Heisenberg-type spin-lattice interactions, while SEGNN accurately models multi-body and high-order spin-lattice coupling. The effectiveness of SpinGNN is demonstrated by its exceptional precision in fitting a high-order spin Hamiltonian and two complex spin-lattice Hamiltonians with great precision. Furthermore, it successfully models the subtle spin-lattice coupling in BiFeO3 and performs large-scale spin-lattice dynamics simulations, predicting its antiferromagnetic ground state, magnetic phase transition, and domain wall energy landscape with high accuracy. Our study broadens the scope of graph neural network potentials to magnetic systems, serving as a foundation for carrying out large-scale spin-lattice dynamic simulations of such systems.
Abstract（参考訳）: 機械学習の原子間ポテンシャルの開発は、分子や結晶のシミュレーションの精度に大きく貢献している。しかし、磁気モーメントと構造自由度の両方を考慮した磁気系の原子間ポテンシャルの生成は依然として課題である。この研究はスピン依存型原子間ポテンシャルアプローチであるSpinGNNを導入し、磁気システムを記述するためにグラフニューラルネットワーク(GNN)を使用している。 SpinGNNは、Heisenberg edge GNN (HEGNN) と spin-distance edge GNN (SEGNN) の2種類のエッジGNNで構成されている。 HEGNNはハイゼンベルク型スピン格子相互作用を捉え、SEGNNは多体および高次スピン格子結合を正確にモデル化する。 spingnnの有効性は、高次スピンハミルトニアンと2つの複素スピン格子ハミルトニアンを高い精度で適合させることで示される。さらにbifeo3の微妙なスピン格子カップリングをモデル化し、反強磁性基底状態、磁気相転移、ドメインウォールエネルギーランドスケープを高精度に予測し、大規模スピン格子ダイナミクスシミュレーションを行う。本研究は、磁気システムに対するグラフニューラルネットワークのポテンシャルの範囲を広げ、そのようなシステムの大規模スピン格子動的シミュレーションの基盤となる。

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。