金属自旋玻璃的机器学习力场模型
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
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
通过将时空物理对称性结合到梯度域机器学习(sGDML)模型中,从高级初步计算中直接构建灵活的分子力场,为实现分子模拟中的光谱精度提供关键缺失成分。
Feb, 2018
运用机器学习技术设计了量子神经网络,该网络明确地结合了大量具有物理相关性的对称性,以预测原子势能和原子力的潜在能量表面。研究结果表明,凭借几何量子机器学习框架,分子力场的生成可以从中获益,并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。
Nov, 2023
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
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
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
通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示,我们构建了一个小尺度湍流模型进行研究,重点探讨了机器学习与物理学的相结合,以及在将机器学习与微分方程相结合时存在的问题。
Jan, 2022