論文の概要: Machine-learning force-field models for dynamical simulations of metallic magnets

• arxiv url: http://arxiv.org/abs/2602.18213v1
• Date: Fri, 20 Feb 2026 13:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.339692
• Title: Machine-learning force-field models for dynamical simulations of metallic magnets
• Title（参考訳）: 金属磁石の動的シミュレーションのための機械学習力場モデル
• Authors: Gia-Wei Chern, Yunhao Fan, Sheng Zhang, Puhan Zhang,
• Abstract要約: 我々は、Landau-Lifshitz-Gilbert (LLG) シミュレーションにおける機械学習(ML)力場法の最近の進歩を概観する。 スピンダイナミクスを管理する電子を介する力を効率的に正確に予測するために、ディープニューラルネットワークモデルが開発された。 その結果、ML力場フレームワークは、イテナント磁石における非平衡スピンダイナミクスをモデル化するためのスケーラブルで正確で汎用的なツールとして確立された。
• 参考スコア（独自算出の注目度）: 3.1567633240529616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We review recent advances in machine learning (ML) force-field methods for Landau-Lifshitz-Gilbert (LLG) simulations of itinerant electron magnets, focusing on scalability and transferability. Built on the principle of locality, a deep neural network model is developed to efficiently and accurately predict the electron-mediated forces governing spin dynamics. Symmetry-aware descriptors constructed through a group-theoretical approach ensure rigorous incorporation of both lattice and spin-rotation symmetries. The framework is demonstrated using the prototypical s-d exchange model widely employed in spintronics. ML-enabled large-scale simulations reveal novel nonequilibrium phenomena, including anomalous coarsening of tetrahedral spin order on the triangular lattice and the freezing of phase separation dynamics in lightly hole-doped, strong-coupling square-lattice systems. These results establish ML force-field frameworks as scalable, accurate, and versatile tools for modeling nonequilibrium spin dynamics in itinerant magnets.
• Abstract（参考訳）: 本稿では,Landau-Lifshitz-Gilbert (LLG)シミュレーションにおける機械学習(ML)力場法の最近の進歩について述べる。 局所性の原理に基づいて構築されたディープニューラルネットワークモデルは、スピンダイナミクスを管理する電子を介する力を効率的に正確に予測するために開発された。 群理論的アプローチによって構築された対称性を考慮した記述子は、格子およびスピン回転対称性の厳密な組み入れを保証する。 このフレームワークは、スピントロニクスで広く用いられている原型s-d交換モデルを用いて実証されている。 ML対応大規模シミュレーションでは、三角形格子上の四面体スピン秩序の異常な粗大化や、薄孔ドープされた強結合正方格子系における相分離ダイナミクスの凍結など、新しい非平衡現象が示されている。 これらの結果により、ML力場フレームワークは、イテナント磁石における非平衡スピンダイナミクスをモデル化するためのスケーラブルで正確で汎用的なツールとして確立される。

関連論文リスト

• Equivariant Neural Networks for Force-Field Models of Lattice Systems [0.0]
  等変ニューラルネットワーク(ENN)に基づく対称性保存フレームワークを提案する。 本研究の目的は、格子モデルに固有の離散的な点群と内部対称性を、力場のニューラルネットワーク表現に直接組み込むことである。 結果として生じるML対応大規模力学シミュレーションは、対称性を破る位相のメソスケールの進化を忠実に捉えている。
  論文  参考訳（メタデータ） (2026-01-07T17:09:04Z)
• Effective Kinetic Monte Carlo for a Quantum Epidemic Process [41.99844472131922]
  リンドブラッド方程式の弱い対称性によって、動力学をキネティックモンテカルロにマッピングできることを示す。 この単純化された効果的なダイナミクスは、局所的なジャンプと局所的な決定論的成分を結合して記述することができる。
  論文  参考訳（メタデータ） (2025-12-28T14:44:30Z)
• 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)
• 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)
• 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)
• A Floquet-Rydberg quantum simulator for confinement in $\mathbb{Z}_2$ gauge theories [44.99833362998488]
  量子技術分野の最近の進歩は、小型量子シミュレータの実現への道を開いた。 実時間力学の量子シミュレーションのためのスケーラブルなFloquetスキームを$mathbbZ$ LGTで提案する。 Floquet-Rydberg セットアップにおけるゲージ不変閉じ込め力学の観測が,現在の実験手法の到達点であることを示す。
  論文  参考訳（メタデータ） (2023-11-28T13:01:24Z)
• 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)
• 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)
• 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)
• 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。