論文の概要: SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2409.03253v2
• Date: Sun, 8 Sep 2024 23:58:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 13:26:06.997683
• Title: SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning
• Title（参考訳）: SpinMultiNet: マルチタスク学習によるスピン自由度を考慮したニューラルネットワークの可能性
• Authors: Koki Ueno, Satoru Ohuchi, Kazuhide Ichikawa, Kei Amii, Kensuke Wakasugi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Network Potentials (NNPs) have attracted significant attention as a method for accelerating density functional theory (DFT) calculations. However, conventional NNP models typically do not incorporate spin degrees of freedom, limiting their applicability to systems where spin states critically influence material properties, such as transition metal oxides. This study introduces SpinMultiNet, a novel NNP model that integrates spin degrees of freedom through multi-task learning. SpinMultiNet achieves accurate predictions without relying on correct spin values obtained from DFT calculations. Instead, it utilizes initial spin estimates as input and leverages multi-task learning to optimize the spin latent representation while maintaining both $E(3)$ and time-reversal equivariance. Validation on a dataset of transition metal oxides demonstrates the high predictive accuracy of SpinMultiNet. The model successfully reproduces the energy ordering of stable spin configurations originating from superexchange interactions and accurately captures the rhombohedral distortion of the rocksalt structure. These results pave the way for new possibilities in materials simulations that consider spin degrees of freedom, promising future applications in large-scale simulations of various material systems, including magnetic materials.
• Abstract（参考訳）: ニューラルネットワークポテンシャル(NNP)は密度汎関数理論(DFT)計算の高速化手法として注目されている。 しかしながら、従来のNPモデルは一般にスピン自由度を含まないため、スピン状態が遷移金属酸化物などの物質特性に重要な影響を及ぼすシステムに適用性を制限する。 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。 代わりに、最初のスピン推定を入力として利用し、マルチタスク学習を利用してスピン潜在表現を最適化し、$E(3)$と時間反転等式の両方を維持している。 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。 このモデルは、超交換相互作用から生じる安定なスピン配置のエネルギー秩序を再現し、岩塩構造の六面体歪みを正確に捉える。 これらの結果は、スピン自由度を考慮した材料シミュレーションの新たな可能性の道を開くものであり、磁気材料を含む様々な材料システムの大規模シミュレーションに将来的な応用が期待できる。

関連論文リスト

• 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)
• Neural Networks as Spin Models: From Glass to Hidden Order Through Training [0.0]
  ニューラルネットワーク(NN)と統計力学的スピンモデルとの1対1対応について検討する。 トレーニングが進むにつれて, 磁気相と融解遷移温度について検討する。
  論文  参考訳（メタデータ） (2024-08-12T18:01:04Z)
• Microscopic understanding of NMR signals by dynamic mean-field theory for spins [0.0]
  非局所スピンDMFT(nl-spinDMFT)の多元性アプローチ 最近開発された不規則スピン(spinDMFT)の動的平均場理論は、核スピンのスピンダイナミクスをうまく捉えている。
  論文  参考訳（メタデータ） (2024-03-15T16:54:46Z)
• Guiding Diamond Spin Qubit Growth with Computational Methods [14.693424479293737]
  電子中心スピンデコヒーレンスの理論計算をNV-スピン浴ワークフローの不可欠な部分として用いた。 次に、理論モデルを用いて最大確率推定器を構築し、試験試料のキャラクタリゼーションを可能にする。
  論文  参考訳（メタデータ） (2023-08-17T15:53:42Z)
• Neural Functional Transformers [99.98750156515437]
  本稿では,ニューラルファンクショナルトランスフォーマー (NFT) と呼ばれる新しい変分同変量空間層を定義するために,アテンション機構を用いる。 NFTは重み空間の置換対称性を尊重し、注意の利点を取り入れ、複数の領域で顕著な成功を収めた。 Inr2Arrayは暗黙的ニューラル表現(INR)の重みから置換不変表現を計算する新しい方法である。
  論文  参考訳（メタデータ） (2023-05-22T23:38:27Z)
• 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)
• 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)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Spin-Dependent Graph Neural Network Potential for Magnetic Materials [5.775111970429336]
  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。
  論文  参考訳（メタデータ） (2022-03-06T01:54:50Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。