論文の概要: Graph Neural Network Force Fields for Spin Dynamics in Metallic Magnets

• arxiv url: http://arxiv.org/abs/2607.28537v1
• Date: Thu, 30 Jul 2026 17:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.686872
• Title: Graph Neural Network Force Fields for Spin Dynamics in Metallic Magnets
• Title（参考訳）: 金属磁石におけるスピンダイナミクスのためのグラフニューラルネットワーク力場
• Abstract要約: 本稿では, スピンダイナミクスを効果的に制御する磁気エネルギー関数を学習する, グラフニューラルネットワーク(GNN)磁気力場フレームワークを提案する。 本研究では,コリニア,非コリニア,非コプレナー磁気秩序を示す代表的金属磁性系についてベンチマークを行った。 本研究は,機械学習による力場構築のための強力なフレームワークとして,グラフニューラルネットワークを構築した。
• 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: Metallic magnets exhibit complex spin dynamics governed by electronically generated interactions. Predictive simulations of such dynamics typically require repeated solutions of an underlying electronic problem throughout the time evolution, creating a major computational bottleneck. Here we introduce a graph neural network (GNN) magnetic force-field framework that learns the effective magnetic energy functional governing itinerant spin dynamics directly from electronic calculations. Conceptually analogous to machine-learned interatomic potentials, the proposed framework enables efficient evaluation of spin torques while capturing the nonlinear and spatially extended interactions generated by itinerant electrons. We benchmark the method on representative metallic magnetic systems exhibiting collinear, noncollinear, and noncoplanar magnetic order. The learned force fields accurately reproduce electronically generated spin torques and yield nonequilibrium spin dynamics in excellent agreement with direct electronic simulations. Our results establish graph neural networks as a powerful framework for machine-learned magnetic force fields, providing a pathway toward predictive large-scale simulations of nonequilibrium magnetism across multiple length and time scales.
• Abstract（参考訳）: 金属磁石は電子的に生成された相互作用によって制御される複雑なスピンダイナミクスを示す。 このような力学の予測的シミュレーションは、一般的に時間進化を通じて基礎となる電子問題の繰り返し解を必要とするため、大きな計算ボトルネックが生じる。 ここでは、電子計算から直接、イテナントスピンダイナミクスを管理する効果的な磁気エネルギー関数を学習するグラフニューラルネットワーク(GNN)磁気力場フレームワークを紹介する。 概念的には機械学習型原子間ポテンシャルに類似しており、このフレームワークは、反復電子によって生成された非線形および空間的に拡張された相互作用を捕捉しながら、スピントルクの効率的な評価を可能にする。 本研究では,コリニア,非コリニア,非コプレナー磁気秩序を示す代表的金属磁性系についてベンチマークを行った。 学習された力場は、電子的に生成されたスピントルクを正確に再現し、直接電子シミュレーションとよく一致して非平衡スピンダイナミクスを得る。 本研究は, ニューラルネットワークを機械学習磁界の強力なフレームワークとして確立し, 複数の長さと時間スケールにわたる非平衡磁性の予測的大規模シミュレーションへの道筋を提供する。

関連論文リスト

• Precision quantum simulation of magnon spectra and interactions [94.30337065819249]
  最大97量子ビットのアナログデジタル超伝導プロセッサを用いて, 2次元XYスピン-1/2マグネットにおける線形および非線形応答関数の高精度シミュレーションを行った。 以上の結果から,ブリュアン帯におけるマグノンの崩壊速度の変動が明らかとなり,バンホーブ特異点付近の増大とエッジ局在モードの抑制が認められた。
  論文  参考訳（メタデータ） (2026-07-14T22:11:22Z)
• Magnetic HIP-NN for spin dynamics in disordered itinerant magnets [4.626999327112172]
  階層的相互作用する粒子ニューラルネット(HIP-NN)の磁気的拡張について述べる。 得られた磁気HIP-NNは回転不変スピン相関を直接階層的なメッセージパッシング層に組み込む。 我々は,mHIP-NNがLandau-Lifshitz-Gilbert系の局所トルクを正確に再現し,熱クエンチによる空間スピン相関の非平衡進化を忠実に捉えていることを示す。
  論文  参考訳（メタデータ） (2026-06-09T02:57:37Z)
• 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)
• Machine learning nonequilibrium phase transitions in charge-density wave insulators [3.4485371511969003]
  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。
  論文  参考訳（メタデータ） (2026-01-12T14:34:50Z)
• 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)
• Probing dynamics of a two-dimensional dipolar spin ensemble using single qubit sensor [62.997667081978825]
  ダイヤモンド結晶表面上の電子スピンの2次元アンサンブルにおける個々のスピンダイナミクスを実験的に検討した。 この不規則に緩やかな緩和速度は、強い力学障害の存在によるものであることを示す。 我々の研究は、強く相互作用する無秩序なスピンアンサンブルにおける量子熱化の微視的研究と制御への道を開いた。
  論文  参考訳（メタデータ） (2022-07-21T18:00:17Z)
• 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)
• Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
  クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。 核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。 核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
  論文  参考訳（メタデータ） (2021-06-09T16:23:47Z)
• Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
  本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。 超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
  論文  参考訳（メタデータ） (2021-03-15T21:38:41Z)
• Effects of the dynamical magnetization state on spin transfer [68.8204255655161]
  スピン偏極電子と局所スピンの動的状態の間の複雑な相互作用は、別々のプロセスに分解できることを示す。 以上の結果から,スピン伝達効率と結果の動的磁化状態の厳密な制御が可能である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-21T22:12:03Z)
• 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。