論文の概要: Machine learning force-field model for kinetic Monte Carlo simulations of itinerant Ising magnets

• arxiv url: http://arxiv.org/abs/2411.19780v1
• Date: Fri, 29 Nov 2024 15:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:18.900530
• Title: Machine learning force-field model for kinetic Monte Carlo simulations of itinerant Ising magnets
• Title（参考訳）: イジング磁石の運動モンテカルロシミュレーションのための機械学習力場モデル
• Authors: Alexa Tyberg, Yunhao Fan, Gia-Wei Chern,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a scalable machine learning (ML) framework for large-scale kinetic Monte Carlo (kMC) simulations of itinerant electron Ising systems. As the effective interactions between Ising spins in such itinerant magnets are mediated by conducting electrons, the calculation of energy change due to a local spin update requires solving an electronic structure problem. Such repeated electronic structure calculations could be overwhelmingly prohibitive for large systems. Assuming the locality principle, a convolutional neural network (CNN) model is developed to directly predict the effective local field and the corresponding energy change associated with a given spin update based on Ising configuration in a finite neighborhood. As the kernel size of the CNN is fixed at a constant, the model can be directly scalable to kMC simulations of large lattices. Our approach is reminiscent of the ML force-field models widely used in first-principles molecular dynamics simulations. Applying our ML framework to a square-lattice double-exchange Ising model, we uncover unusual coarsening of ferromagnetic domains at low temperatures. Our work highlights the potential of ML methods for large-scale modeling of similar itinerant systems with discrete dynamical variables.
• Abstract（参考訳）: 本稿では,kMCシミュレーションのためのスケーラブルな機械学習(ML)フレームワークを提案する。 このようなイジングスピン間の効果的な相互作用は電子を伝導することによって媒介されるため、局所的なスピン更新によるエネルギー変化の計算は電子構造問題を解く必要がある。 このような繰り返し電子構造計算は、大規模システムでは圧倒的に禁じられる可能性がある。 局所性原理を仮定して、畳み込みニューラルネットワーク(CNN)モデルを構築し、有限近傍のIsing構成に基づいて、与えられたスピン更新に伴う有効局所場と対応するエネルギー変化を直接予測する。 CNNのカーネルサイズは一定に固定されているため、モデルは大きな格子のkMCシミュレーションに直接拡張可能である。 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。 MLフレームワークを正方格子二重交換イジングモデルに適用し、低温での強磁性ドメインの異常な粗さを明らかにする。 我々の研究は、離散動的変数を持つ類似の反復システムの大規模モデリングにおけるML手法の可能性を強調した。

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)
• GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
  GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。 ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• 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)
• 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)
• 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)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• 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 predictions for local electronic properties of disordered correlated electron systems [2.984639473379942]
  局所電子特性を予測するため,スケーラブルな機械学習(ML)モデルを提案する。 我々のアプローチは多電子系の局所性原理、すなわち近視性の性質に基づいている。 本研究は,相関電子系のマルチスケールモデリングにおけるML法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2022-04-12T17:28:51Z)
• 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)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)
• 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。