論文の概要: Machine learning for phase ordering dynamics of charge density waves
- arxiv url: http://arxiv.org/abs/2303.03493v1
- Date: Mon, 6 Mar 2023 21:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 17:22:12.144421
- Title: Machine learning for phase ordering dynamics of charge density waves
- Title(参考訳): 電荷密度波の位相秩序ダイナミクスのための機械学習
- Authors: Chen Cheng, Sheng Zhang, Gia-Wei Chern
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.813015022439543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a machine learning (ML) framework for large-scale dynamical
simulations of charge density wave (CDW) states. The charge modulation in a CDW
state is often accompanied by a concomitant structural distortion, and the
adiabatic evolution of a CDW order is governed by the dynamics of the lattice
distortion. Calculation of the electronic contribution to the driving forces,
however, is computationally very expensive for large systems. Assuming the
principle of locality for electron systems, a neural-network model is developed
to accurately and efficiently predict local electronic forces with input from
neighborhood configurations. Importantly, the ML model makes possible a linear
complexity algorithm for dynamical simulations of CDWs. As a demonstration, we
apply our approach to investigate the phase ordering dynamics of the Holstein
model, a canonical system of CDW order. Our large-scale simulations uncover an
intriguing growth of the CDW domains that deviates significantly from the
expected Allen-Cahn law for phase ordering of Ising-type order parameter field.
This anomalous domain-growth could be attributed to the complex structure of
domain-walls in this system. Our work highlights the promising potential of
ML-based force-field models for dynamical simulations of functional electronic
materials.
- Abstract(参考訳): 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(ML)フレームワークを提案する。
cdw状態における電荷変調は共役構造歪みを伴うことが多く、cdwオーダーの断熱的進化は格子歪みのダイナミクスによって制御される。
しかし、駆動力に対する電子的貢献の計算は、大規模システムでは計算的に非常に高価である。
電子系の局所性の原理を仮定し、近傍配置からの入力で局所電子力を正確にかつ効率的に予測するニューラルネットワークモデルを開発した。
重要なことに、MLモデルはCDWの動的シミュレーションのための線形複雑化アルゴリズムを可能にする。
実演として,CDW秩序の標準系であるホルシュタインモデルの位相秩序ダイナミクスを解析するために,本手法を適用した。
大規模シミュレーションにより,Ising型順序パラメータ場の位相秩序に関するアレン・カーンの法則から大きく逸脱したCDW領域の興味深い成長が明らかになった。
この異常なドメイン成長は、この系におけるドメインウォールの複雑な構造に起因する可能性がある。
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。
関連論文リスト
- Pattern formation in charge density wave states after a quantum quench [5.155523246793565]
正方格子$t$-$V$モデルにおける電荷密度波(CDW)の時間後ダイナミクスについて検討する。
大規模シミュレーションにより,ポストクエンチCDW状態,特に強いクエンチ状態の複雑なパターンが明らかになった。
論文 参考訳(メタデータ) (2023-12-21T10:50:26Z) - Linear-scale simulations of quench dynamics [2.7615495205203318]
量子クエンチ系の非平衡力学に対する線形スケールの計算シミュレーション手法を開発した。
拡張に基づく手法により、無限大系に対するLoschmidtエコーを効率的に計算できる。
波動ベクトル非依存の動的位相遷移を自己双対局所化モデルで観測する。
論文 参考訳(メタデータ) (2023-11-16T04:18:32Z) - 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) - 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) - Realization of the Trajectory Propagation in the MM-SQC Dynamics by
Using Machine Learning [4.629634111796585]
本研究では,教師付き機械学習(ML)アプローチを適用し,軌道に基づく非線形力学を実現する。
提案したアイデアは、いくつかのサイト・エクシトン電子-フォノンカップリングモデルの力学シミュレーションにおいて信頼性と正確性があることが証明されている。
論文 参考訳(メタデータ) (2022-07-11T01:23:36Z) - GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。
リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。
この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文 参考訳(メタデータ) (2021-04-07T01:08:18Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳(メタデータ) (2021-04-01T19:06:00Z) - Enhancement of quantum correlations and geometric phase for a driven
bipartite quantum system in a structured environment [77.34726150561087]
構造環境下で進化する初期最大絡み合い状態における運転の役割について検討した。
この知識は、散逸動力学の下で量子特性を最もよく保持する物理装置の探索に役立つ。
論文 参考訳(メタデータ) (2021-03-18T21:11:37Z) - 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)
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。