利用隐式神经表示捕获动态相关性
本文讨论了磁性分子和量子计算在自旋系统和自旋电子学设备方面的应用,以及如何通过利用非弹性中子散射技术获取分子特征来揭示这些现象。作者认为,将中子散射和量子计算技术相结合,有望为未来的自旋簇设计带来更多机遇。
Sep, 2018
金属自旋玻璃体系的动力学模拟中,利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场,发展了一种根据局部磁性环境进行磁性描述的神经网络模型,该模型具有很高的精确性和高效性,并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究,展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。
Nov, 2023
本研究探讨了机器学习在材料科学领域中能否通过使用原子系统的波尔轨道小波散射变换为机器学习模型提供足够多的对称性、平滑性和不变性特征,以扩充模型在直至训练样本中不存在的性质预测方面的适用性。在小分子和大块非晶态 Li alpha Si 的体系中,使用小波散射系数作为特征的机器学习模型已经在相同的计算成本下,成功地实现了与密度泛函理论相当的精度。本研究进一步探讨了通过特征选取方法减少过度拟合的理论基础,以提高力学常数和迁移能等未出现在训练集中的性质预测精度。
Jun, 2020
该研究讨论了利用人工神经网络编码量子多体波函数的方法,有效地模拟了二维空间中的量子物质的无平衡实时演化,并应用到横向场伊辛模型上,验证了该方法的准确性和可行性。
Dec, 2019
使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统,并提出了一种结构,将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合,可以在整个参数空间内预测动力学,保留哈密顿方程以及相空间的辛结构。同时,利用神经网络的高维非线性能力,结合 Long Short Term Memory 网络进行判断嵌入定理的实现,构造系统的延迟嵌入,并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效,并且即使在较长时间内也能提供准确的预测结果。
Jul, 2023
通过使用三维信号的小波散射系数作为特征的普通机器学习架构,扩展了先前仅用于小有机分子回归的固体谐波小波散射变换的机器学习框架。 采用与平移和旋转等变的一般可转向小波,形成了一个目标函数的稀疏模型。 作为此方法的一个例子,使用平面波密度泛函理论方法生成的数据库对无定形锂硅材料状态的形成能线性回归模型进行了训练,结果产生了与其他类似生成的数据库上的机器学习方法相比的最先进结果。
Nov, 2018
采用机器学习技术的量子态表示,成功地用最先进的计算方案识别了一个存在于自旋 - 1/2 平方晶矩阵上的自旋液体相,该相具有间隙分数化自旋 - 1/2 Dirac 型自旋子,与杯酸盐 d 波超导体的激发相似,揭示了一个未被探索的临界行为,并显示出用于探究量子多体物理的潜力。
May, 2020
本文提出了一种机器学习方法,以快速预测固体材料的性质,通过使用对称可扩展的晶体结构表示法,实现高精度的学习和预测,主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。
Jul, 2013
使用深度学习技术重构在电子 - 质子碰撞中中性电流深非弹性散射(DIS)过程的运动学,通过使用 HERA 加速器所在的 ZEUS 实验的模拟数据,训练深度神经网络来重构运动学变量 $ Q^2 $ 和 $ x $。使用深度学习技术进行重构 DIS 运动学的能力,可以作为一种严格的方法,将不同的运动学分析方法结合起来,并在大数据集上实现出色的表现
Aug, 2021
本文提出了一种基于密度泛函理论的分子性质预测机器学习算法,利用高斯型轨道函数创建分子的代理电子密度,并计算不变的 “固体谐波散射系数”,由此对不同尺度下的不同类型相互作用进行建模,并通过多线性回归计算出分子的各种物理性质,此算法在小型数据集方面已达到接近 DFT 预测精度,同时非常可解释。
May, 2018