論文の概要: Machine learning force-field models for metallic spin glass

• arxiv url: http://arxiv.org/abs/2311.16964v1
• Date: Tue, 28 Nov 2023 17:12:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 09:27:37.249131
• Title: Machine learning force-field models for metallic spin glass
• Title（参考訳）: 金属スピンガラスの機械学習力場モデル
• Authors: Menglin Shi, Sheng Zhang, Gia-Wei Chern
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.090038845129619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metallic spin glass systems, such as dilute magnetic alloys, are characterized by randomly distributed local moments coupled to each other through a long-range electron-mediated effective interaction. We present a scalable machine learning (ML) framework for dynamical simulations of metallic spin glasses. A Behler-Parrinello type neural-network model, based on the principle of locality, is developed to accurately and efficiently predict electron-induced local magnetic fields that drive the spin dynamics. A crucial component of the ML model is a proper symmetry-invariant representation of local magnetic environment which is direct input to the neural net. We develop such a magnetic descriptor by incorporating the spin degrees of freedom into the atom-centered symmetry function methods which are widely used in ML force-field models for quantum molecular dynamics. We apply our approach to study the relaxation dynamics of an amorphous generalization of the s-d model. Our work highlights the promising potential of ML models for large-scale dynamical modeling of itinerant magnets with quenched disorder.
• Abstract（参考訳）: 希薄磁性合金のような金属スピンガラス系は、ランダムに分散した局所モーメントを長距離電子を媒介する効果的な相互作用によって特徴づけられる。 本稿では,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機械学習(ML)フレームワークを提案する。 局所性の原理に基づくbehler-parrinello型ニューラルネットワークモデルを開発し、スピンダイナミクスを駆動する電子誘起局所磁場を正確にかつ効率的に予測する。 MLモデルの重要な構成要素は、ニューラルネットワークに直接入力される局所磁気環境の適切な対称性不変表現である。 量子分子動力学のml力場モデルで広く用いられている原子中心対称性関数法にスピン自由度を組み込むことにより、このような磁気ディスクリプタを開発した。 我々は、s-dモデルの非晶質一般化の緩和ダイナミクスの研究にアプローチを適用する。 本研究は,拡張磁石の大規模動的モデリングにおけるMLモデルの可能性を明らかにするものである。

関連論文リスト

• 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)
• Thermally Averaged Magnetic Anisotropy Tensors via Machine Learning Based on Gaussian Moments [0.6116681488656472]
  分子テンソル量,すなわち磁気異方性テンソルをモデル化する機械学習手法を提案する。 提案手法は0.3-0.4 cm$-1$の精度を達成でき、サンプル外構成に対する優れた一般化能力を有することを示す。
  論文  参考訳（メタデータ） (2023-12-03T14:37:57Z)
• 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)
• 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)
• Machine learning nonequilibrium electron forces for adiabatic spin dynamics [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-22T18:37:56Z)
• 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)
• Spin Entanglement and Magnetic Competition via Long-range Interactions in Spinor Quantum Optical Lattices [62.997667081978825]
  超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。 競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。 これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
  論文  参考訳（メタデータ） (2020-11-16T08:03:44Z)
• 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)
• 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。