有效哈密顿量参数化的即时机器学习

Jul, 2023

有效哈密顿量参数化的即时机器学习

On-the-fly machine learning for parametrization of the effective Hamiltonian

Xingyue Ma, L. Bellaiche, Di Wu, Yurong Yang

TL;DR通过贝叶斯线性回归，我们开发了一种基于实时机器学习的方法来参数化有效哈密顿，并以 BaTiO3 和 Pb (Sc,Ta) O3 为例，与传统的第一原理参数化方法进行比较，展示了这种方法的准确性。

Abstract

The first-principles-based effective hamiltonian is widely used to predict and simulate the properties of ferroelectrics and relaxor ferroelectrics. However, the parametrization method of the effective Hamiltonia

first-principles-based effective hamiltonian machine learning approach parametrization method molecular dynamics simulations batio3 and pb(sc,ta)o3

发现论文，激发创造

材料的通用机器学习 Kohn-Sham 哈密顿

该研究介绍了一个基于普适性电子哈密顿模型的技术，该模型通过使用从材料项目的第一性原理计算获得的哈密顿矩阵进行训练，展示了在预测整个周期表中的电子结构以及复杂的多元素系统方面的广泛适应性，为计算电子性质提供了一个可靠高效的框架，并为与电子结构相关的各个领域的进展奠定了基础。

Feb, 2024

机器学习逼近密度泛函理论哈密顿量

通过机器学习和 kernel ridge regression 方法，提出一种快速且准确的预测 DFT 哈密顿量的方法，可适用于各种所需的材料系统，并与 DFT 计算结果进行比较。

Sep, 2016

物理约束机器学习中的电子激发态

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

金属自旋玻璃的机器学习力场模型

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

高能物理参数化机器学习

研究了一种新的机器学习分类器结构，包含来自物理参数的输入，参数化分类器可以平滑地插值并替换在个体值上训练的分类器集，并且可以优化插值结果。

Jan, 2016

基于受限玻尔兹曼机的有效耦合推断

通过在受限玻尔兹曼机的能量函数和包括自旋之间高阶相互作用的有效伊辛自旋哈密顿量之间建立直接映射，我们提出了一种简单的解决方案，可以描述复杂数据集，实现学习正确的交互网络，并为其在建模有趣数据集中的应用铺平了道路。

Sep, 2023

基于机器学习的超快自旋动力学实验设计及参数估计

该研究介绍了一种将机器学习与贝叶斯最优实验设计相结合的方法，可以在有限的实验时间内更精确地预测模型参数，从而指导光子波动光谱的实验并取得更多的信息，同时可以采用其他实验方法用于数据收集和加快科学发现。

Jun, 2023

基于贝叶斯优化的钙钛矿实验中物理材料参数提取

使用贝叶斯优化方法开发的分析平台可以从瞬态光致发光实验中提取有机金属钙钛矿半导体的最多八个基础材料参数，该平台可以方便地应用于其他实验，加速材料的发现和光伏等应用中半导体材料的优化。

Feb, 2024

用机器学习限制有效场论的指南

利用粒子物理过程的潜在空间结构，利用增强数据训练神经网络，从而实现在加速器实验中约束理论参数的多种推理技术，这些新技术比传统方法基于直方图的方法放置了更强的限制。

Apr, 2018

合作餐人隧道模型中轨道顺序的动力学：机器学习辅助的大规模模拟

我们提出了一种可扩展的机器学习力场模型，用于合作简 - 泰勒 (JT) 系统的绝热动力学。在 JT 模型的大规模动力学模拟中，我们也揭示了巨磁电阻锰酸盐中轨道有序动力学的一些启示。这些材料中的 JT 效应描述了由与 $e_g$ 电子轨道自由度耦合驱动的局域氧八面体变形。局域 JT 模式之间的有效电子介导相互作用导致结构转变和低温下长程轨道有序的出现。基于局部性原理，我们开发了一个深度学习神经网络模型，准确高效地预测驱动 JT 声子动力学演化的电子诱导力。我们采用群论方法开发了一个描述符，将轨道对称性和晶体格子对称性结合到机器学习模型中。利用机器学习力场模型，进行了大规模 Langevin 动力学模拟，研究了热淬后复合 JT 畸变和轨道有序的粗化动力学。轨道域的后期粗化展示出明显的冻结行为，这可能与域结构的异常形态有关。我们的工作为相关电子系统的多尺度动力学建模提供了一个有希望的途径。

May, 2024