論文の概要: Machine-learning modeling of magnetization dynamics in quasi-equilibrium and driven metallic spin systems
- arxiv url: http://arxiv.org/abs/2604.11513v1
- Date: Mon, 13 Apr 2026 14:18:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.595737
- Title: Machine-learning modeling of magnetization dynamics in quasi-equilibrium and driven metallic spin systems
- Title（参考訳）: 準平衡および駆動金属スピン系における磁化ダイナミクスの機械学習モデリング
- Authors: Gia-Wei Chern, Yunhao Fan, Sheng Zhang, Puhan Zhang,
- Abstract要約: 大規模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。
我々は、スケーラブルで転送可能なMLモデルを構築するために、Behler-Parrinello (BP) MLアーキテクチャを一般化する。
我々は、BPフォーマリズムを拡張して、保守的かつ非保守的な電子トルクを組み込む可能性理論について議論する。
- 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 large-scale Landau-Lifshitz-Gilbert (LLG) simulations of metallic spin systems. We generalize the Behler-Parrinello (BP) ML architecture -- originally developed for quantum molecular dynamics -- to construct scalable and transferable ML models capable of capturing the intricate dependence of electron-mediated exchange fields on the local magnetic environment characteristic of itinerant magnets. A central ingredient of this framework is the implementation of symmetry-aware magnetic descriptors based on group-theoretical bispectrum formalisms. Leveraging these ML force fields, LLG simulations faithfully reproduce hallmark non-collinear magnetic orders -- such as the $120^\circ$ and tetrahedral states -- on the triangular lattice, and successfully capture the complex spin textures emerging in the mixed-phase states of a square-lattice double-exchange model under thermal quench. We further discuss a generalized potential theory that extends the BP formalism to incorporate both conservative and nonconservative electronic torques, thereby enabling ML models to learn nonequilibrium exchange fields from computationally demanding microscopic approaches such as nonequilibrium Green's-function techniques. This extension yields quantitatively accurate predictions of voltage-driven domain-wall motion and establishes a foundation for quantum-accurate, multiscale modeling of nonequilibrium spin dynamics and spintronic functionalities.
- Abstract（参考訳）: 大規模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。
我々は、量子分子動力学のために開発されたBehler-Parrinello (BP) MLアーキテクチャを一般化し、イテナント磁石の局所磁気環境特性に対する電子媒介交換場の複雑な依存性を捉えることができるスケーラブルで伝達可能なMLモデルを構築する。
この枠組みの中心的な要素は、群理論的双スペクトル形式に基づく対称性を考慮した磁気ディスクリプタの実装である。
これらのML力場を利用すると、LLGシミュレーションは三角形格子上に120^\circ$や四面体状態のようなホールマークのない磁秩序を忠実に再現し、熱クエンチ下での正方格子二重交換モデルの混合相状態に生じる複雑なスピンテクスチャを捕捉することに成功した。
さらに、BP形式を拡張して保守的な電子トルクと非保守的な電子トルクの両方を組み込むことにより、MLモデルが非平衡グリーン関数法のような計算的に要求される顕微鏡的アプローチから非平衡交換場を学習できるようにする一般化ポテンシャル理論についても論じる。
この拡張は、電圧駆動のドメインウォール運動の定量的に正確な予測をもたらし、非平衡スピンダイナミクスとスピントロニクスの量子的、マルチスケールモデリングの基礎を確立する。
関連論文リスト
- A first-principles linear response theory for open quantum systems and its application to Orbach and direct magnetic relaxation in Ln-based coordination polymers [39.146761527401424]
単分子磁石(SMM)はスピンフォノン転移を抑制する軸磁気異方性によって緩やかな磁気緩和を示す。
我々は、複素a.c.磁気感受性へのアクセスを提供するオープン量子系に対する第一原理線形応答理論を数値的に実装する。
論文 参考訳（メタデータ） (2026-03-19T10:19:50Z) - Machine-learning force-field models for dynamical simulations of metallic magnets [3.1567633240529616]
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。
論文 参考訳（メタデータ） (2026-02-20T13:51:29Z) - 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) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Programmable Exploration of Magnetic States in Lieb-Kagome Interpolated Lattices [44.99833362998488]
量子アニールは、実験的に実現可能なシステムにインスパイアされた分子量子ビット格子における磁気相互作用をシミュレートするために用いられる。
アナラーは、静的構造因子や広いパラメータ空間上の磁化のような可観測物へのアクセスを提供する。
このフレームワークは、化学、凝縮物質、量子情報科学にまたがる、エンジニアリングされた量子物質の限界を探索するためのモジュラーでスケーラブルなパラダイムを定義する。
論文 参考訳（メタデータ） (2025-07-24T21:47:54Z) - Harnessing Chiral Spin States in Molecular Nanomagnets for Quantum Technologies [44.1973928137492]
キラル量子ビットは、弱結合量子ビットではオフにできない常時オン相互作用を自然に抑制することを示した。
本研究は, スピンキラリティ工学を分子量子技術における2つのキラリティ量子ビットの絡み合いにおいて, 常時オン相互作用を緩和するための有望な戦略として確立した。
論文 参考訳（メタデータ） (2025-01-21T08:23:12Z) - 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) - 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) - Designer Magnetism in High Entropy Oxides [41.74498230885008]
障害は相関や量子材料に支配的な影響を与えることがある。
磁気システムでは、スピンと交換障害は量子臨界性、フラストレーション、スピンダイナミクスへのアクセスを提供する。
我々は、高エントロピー酸化物が、量子材料を設計するための未探索の経路を示すことを示した。
論文 参考訳（メタデータ） (2021-04-12T15:21:48Z)
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。