論文の概要: Machine learning nonequilibrium phase transitions in charge-density wave insulators

• arxiv url: http://arxiv.org/abs/2601.07583v1
• Date: Mon, 12 Jan 2026 14:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.454139
• Title: Machine learning nonequilibrium phase transitions in charge-density wave insulators
• Title（参考訳）: 電荷密度波絶縁体における機械学習非平衡相転移
• Authors: Yunhao Fan, Sheng Zhang, Gia-Wei Chern,
• Abstract要約: 非平衡電子に結合した断熱格子ダイナミクスのための機械学習フレームワークを開発する。 本結果は, 駆動量子材料における非平衡格子ダイナミクスをシミュレーションするための, 効率的かつ正確な手法として, 直接力学習を確立した。
• 参考スコア（独自算出の注目度）: 3.4485371511969003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonequilibrium electronic forces play a central role in voltage-driven phase transitions but are notoriously expensive to evaluate in dynamical simulations. Here we develop a machine learning framework for adiabatic lattice dynamics coupled to nonequilibrium electrons, and demonstrate it for a gating induced insulator to metal transition out of a charge density wave state in the Holstein model. Although exact electronic forces can be obtained from nonequilibrium Green's function (NEGF) calculations, their high computational cost renders long time dynamical simulations prohibitively expensive. By exploiting the locality of the electronic response, we train a neural network to directly predict instantaneous local electronic forces from the lattice configuration, thereby bypassing repeated NEGF calculations during time evolution. When combined with Brownian dynamics, the resulting machine learning force field quantitatively reproduces domain wall motion and nonequilibrium phase transition dynamics obtained from full NEGF simulations, while achieving orders of magnitude gains in computational efficiency. Our results establish direct force learning as an efficient and accurate approach for simulating nonequilibrium lattice dynamics in driven quantum materials.
• Abstract（参考訳）: 非平衡電子力は電圧駆動相転移において中心的な役割を果たすが、力学シミュレーションで評価するのは非常に高価である。 そこで本研究では,非平衡電子に結合した断熱格子力学の機械学習フレームワークを開発し,ホルスタインモデルにおける電荷密度波状態から金属転移へのゲーティング誘導絶縁体を実証する。 正確な電子力は非平衡グリーン関数(NEGF)の計算から得られるが、その高い計算コストは長時間の力学シミュレーションを違法に高価にする。 電子応答の局所性を利用してニューラルネットワークをトレーニングし、格子構成から瞬時に局所的な電子力を直接予測し、時間進化中に繰り返しNEGF計算をバイパスする。 ブラウン力学と組み合わせると、結果の機械学習力場は、計算効率の桁数を実現しつつ、完全なNEGFシミュレーションから得られた領域壁運動と非平衡相転移ダイナミクスを定量的に再現する。 本結果は, 駆動量子材料における非平衡格子ダイナミクスをシミュレーションするための, 効率的かつ正確な手法として, 直接力学習を確立した。

関連論文リスト

• HPC-Driven Modeling with ML-Based Surrogates for Magnon-Photon Dynamics in Hybrid Quantum Systems [31.546969452125214]
  オンチップ・マグノン光子回路のための超並列シミュレーションフレームワークを提案する。 我々のフレームワークは、次世代量子・スピントロニクスデバイスのスケーラブルなシミュレーションと高速なプロトタイピングを可能にする。
  論文  参考訳（メタデータ） (2025-10-25T08:51:00Z)
• 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)
• Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks [36.136619420474766]
  グラフ畳み込みニューラルネットワークアーキテクチャを用いて、粗いきめ細かい力場のための高度に自動化されたトレーニングパイプラインを開発する。 この手法により, 高精度な力場が得られるが, これらの力場は様々な熱力学条件によりより伝達可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-17T21:44:05Z)
• Ab-initio variational wave functions for the time-dependent many-electron Schrödinger equation [41.94295877935867]
  平均場近似を超越したフェルミオン時間依存波動関数に対する変動的アプローチを提案する。 ニューラルネットワークのパラメータ化によって拡張された時間依存のJastrow因子とバックフロー変換を使用します。 この結果は、時間進化を正確に捉え、相互作用する電子系の量子力学に関する洞察を与える、我々の変分的アプローチの能力を示している。
  論文  参考訳（メタデータ） (2024-03-12T09:37:22Z)
• Quench dynamics in higher-dimensional Holstein models: Insights from Truncated Wigner Approaches [41.94295877935867]
  電子ホッピングの急激なスイッチオン後のホルシュタインモデルにおける電荷密度波の融解について検討した。 ホルシュタイン連鎖で得られた正確なデータと比較すると、フォノンと電子の半古典的な扱いは音速力学を正確に記述するために必要であることを示している。
  論文  参考訳（メタデータ） (2023-12-19T16:14:01Z)
• 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)
• 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)
• 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)
• 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。