传递信息的神经网络用于模拟磁相过渡
Shuhao Hu1,2, Xinjian Ouyang1,2, Zhilong Wang1,2
1Shaanxi Provincial Key Laboratory of Electronic Devices and Advanced Chips, and School of Microelectronic, Xi'an Jiaotong University, Xi'an 710049, People's Republic of China.
概括
机器学习,特别是传递信息的神经网络 (MPNNs),现在可以预测三化物等材料中的磁相过渡. 这种统一的方法同时模拟磁相互作用和原子运动,推进材料科学研究.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学计算化学
背景情况:
- 预测磁相转换通常需要每个材料的特定哈密尔顿模型.
- 机器学习提供了一种统一的方法,消除了对每个系统新模型的需求.
研究的目的:
- 通过一种新的机器学习方法,研究二维三化物 (CrX3) 中的磁相转换.
- 开发一种通用磁力哈密尔顿式,能够处理各种磁系统.
主要方法:
- 采用消息传递神经网络 (MPNN) 潜能,一种包含磁性自由度的专用类型.
- 直接集成原子磁矩到MPNN的消息传递过程中.
- 为了模拟,将磁性MPNN与兰道-利夫希茨-吉尔伯特方程结合起来.
主要成果:
- 通过结合磁矩,精确建模磁性材料中的潜在能量表面.
- 成功模拟了2D CrX3中的铁磁和反铁磁相位过渡作为温度的函数.
- 统一了磁自由度和原子位移的处理方法.
结论:
- MPNN提供了一个强大的,统一的框架来研究磁相转换.
- 这种方法通过提供多功能预测工具来推进磁性材料的研究.
- 演示了磁性MPNN模拟复杂磁现象的能力.


