論文の概要: Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations
- arxiv url: http://arxiv.org/abs/2405.14776v1
- Date: Thu, 23 May 2024 16:44:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 13:07:39.420756
- Title: Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations
- Title（参考訳）: 協調Jahn-Tellerモデルにおける軌道順序の速度論:機械学習が大規模シミュレーションを可能にした
- Authors: Supriyo Ghosh, Sheng Zhang, Chen Cheng, Gia-Wei Chern,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.540467064488348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a scalable machine learning (ML) force-field model for the adiabatic dynamics of cooperative Jahn-Teller (JT) systems. Large scale dynamical simulations of the JT model also shed light on the orbital ordering dynamics in colossal magnetoresistance manganites. The JT effect in these materials describes the distortion of local oxygen octahedra driven by a coupling to the orbital degrees of freedom of $e_g$ electrons. An effective electron-mediated interaction between the local JT modes leads to a structural transition and the emergence of long-range orbital order at low temperatures. Assuming the principle of locality, a deep-learning neural-network model is developed to accurately and efficiently predict the electron-induced forces that drive the dynamical evolution of JT phonons. A group-theoretical method is utilized to develop a descriptor that incorporates the combined orbital and lattice symmetry into the ML model. Large-scale Langevin dynamics simulations, enabled by the ML force-field models, are performed to investigate the coarsening dynamics of the composite JT distortion and orbital order after a thermal quench. The late-stage coarsening of orbital domains exhibits pronounced freezing behaviors which are likely related to the unusual morphology of the domain structures. Our work highlights a promising avenue for multi-scale dynamical modeling of correlated electron systems.
- Abstract（参考訳）: 本稿では,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モデルの大規模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力学にも光を当てた。
これらの材料におけるJT効果は、e_g$電子の軌道自由度への結合によって駆動される局所酸素オクタヘドラの歪みを記述する。
局所的なJTモード間の効果的な電子媒介相互作用は、構造遷移と低温における長距離軌道秩序の出現をもたらす。
局所性の原理を仮定すると、JTフォノンの動的進化を駆動する電子誘起力の正確かつ効率的に予測するディープラーニングニューラルネットワークモデルが開発されている。
グループ理論法を用いて、MLモデルに軌道対称性と格子対称性を組み合わせた記述子を開発する。
ML力場モデルにより実現された大規模ランゲヴィン動力学シミュレーションを行い, 熱クエンチ後の複合JT歪みと軌道秩序の粗大化ダイナミクスについて検討した。
軌道領域の後期の粗化は、領域構造の異常な形態に関係している可能性が高い凍結挙動を顕著に示している。
我々の研究は、相関電子系のマルチスケール力学モデリングのための有望な道のりを強調している。
関連論文リスト
- Machine Learning Force-Field Approach for Itinerant Electron Magnets [3.3312479395168455]
本稿では,Landau-Lifshitz-Gilbert(LLG)動的シミュレーションのための機械学習(ML)フレームワークの開発について概説する。
訓練されたMLモデルにより予測された局所場に基づくLCGシミュレーションが,代表的非線形スピン構造を再現することに成功した。
論文 参考訳（メタデータ） (2025-01-10T18:50:45Z) - Quantum many-body dynamics for fermionic t-J model simulated with atom arrays [1.8749305679160366]
本稿では,プログラム可能なRydberg-dressed tweezer配列におけるフェルミオンt-Jモデルを実現するための新しいスキームを提案する。
特に、従来の光学格子や銅酸化物をはるかに超えた、大きなJ/t限界における量子多体力学を探求する。
我々の予測は、ツイーザーアレイにおけるt-Jモデルによるエキゾチックな量子多体ダイナミクスの探索において、新たな地平を開く。
論文 参考訳（メタデータ） (2024-12-31T17:28:40Z) - Enhanced coarsening of charge density waves induced by electron correlation: Machine-learning enabled large-scale dynamical simulations [4.94903410489486]
相関電子系における創発的秩序の位相秩序運動は、非平衡物理学の基本的なトピックである。
我々は、電荷密度波(CDW)の粗大化をシミュレートする線形スケーリングアルゴリズムを実現するために、現代の機械学習(ML)手法を利用する。
本研究は、非平衡力学における電子相関の役割についての新しい知見を提供し、ML力場アプローチの可能性を裏付けるものである。
論文 参考訳（メタデータ） (2024-12-30T16:44:11Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Machine learning force-field model for kinetic Monte Carlo simulations of itinerant Ising magnets [0.0]
電子イジングシステムの大規模動力学的モンテカルロ(kMC)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。
本手法は第一原理分子動力学シミュレーションで広く用いられているML力場モデルに類似している。
論文 参考訳（メタデータ） (2024-11-29T15:35:37Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Higher-order topological Peierls insulator in a two-dimensional
atom-cavity system [58.720142291102135]
我々は、光子を介する相互作用が原子基底状態におけるプラケット配位結合パターンをいかに生み出すかを示す。
このパターンは2Dの非自明なトポロジカルギャップを開き、高次トポロジカル位相ホストコーナー状態をもたらす。
我々の研究は、原子量子シミュレータがいかにして、新しい強相関な位相現象を研究することができるかを示す。
論文 参考訳（メタデータ） (2023-05-05T10:25:14Z) - Machine learning for phase ordering dynamics of charge density waves [5.813015022439543]
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。
論文 参考訳（メタデータ） (2023-03-06T21:00:56Z) - 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) - Photoinduced prethermal order parameter dynamics in the two-dimensional
large-$N$ Hubbard-Heisenberg model [77.34726150561087]
2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。
2つの競合する位相間の光誘起遷移をシミュレートする。
論文 参考訳（メタデータ） (2022-05-13T13:13:31Z)
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。