Jul, 2023

透过机器学习揭示费波那契准晶堆叠中的异域磁相

PDF
TL;DR通过理论分析 Fibonacci 准晶层叠的铁磁层，本研究构建了一个该磁异质结构的模型，并在此准晶系统中展示了几何阻碍与磁序之间的复杂关系。为了确定不同的磁相，我们采用了机器学习方法，其证明在揭示该系统的复杂磁性行为方面是有效的。我们详细描述了模型参数对应的磁相图，并发现了独特的铁磁交替螺旋相，其中磁化随层高以对数方式减小。
fibonacci quasicrystalline stackingferromagnetic layersvan der waals magnetic materialsmagnetic heterostructuremachine learning approach
发现论文，激发创造
  • 强关联费米子的机器学习阶段

    使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

    Sep, 2016

  • 自旋子费米面的机器学习特征发现

    我们使用量子 - 经典混合方法和可解释的机器学习方法，探测无特征量子态的新迹象，并在模拟六角格子上 Kitaev - Heisenberg 模型中明确表示出磁场引起间隔相的特征振荡。

    Jun, 2023

  • 漂移电子磁体中手性结域的粗化：一种机器学习力场方法

    通过机器学习框架模拟复杂的交叉磁场和自旋 - 自旋相互作用来研究三角晶格中手性磁域的增长规律，发现磁域特征尺寸随时间线性增长，这归因于磁域边界的方向各向异性，同时揭示了机器学习模型在研究移动磁体的大规模自旋动力学方面的潜力。

    Mar, 2024

  • 机器学习的非平衡物态相

    本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

    Oct, 2017

  • 机器学习物态相

    采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

    May, 2016

  • 具有首量子化深度神经网络量子态的二维无自旋格子费米子相位

    开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。

    Jul, 2020

  • 二维受挫量子海森堡反铁磁体系中的磁序和磁乱序

    本文通过精确对角化与有限尺寸缩放分析探讨了基于正方格子的量子海森堡反铁磁体系的基态性质，研究了磁序参数、基态能量、磁化率及自旋波速度等物理性质。结果表明，在参数空间内存在一段区域不存在任何磁序，同时发现在某些情况下 16 个自旋格子会出现异常的有限大小效应。

    Feb, 1994

  • 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

  • 通过混淆学习相变

    利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

    Oct, 2016

  • 深度异常检测实现非监督式相位发现

    本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。

    Mar, 2020