加快准粒子物理学:关于机器学习和密度函数理论对激子,极子和等离子子的协同作用的综述
Hosein Alavi-Rad1, Mahyar Hassani-Vasmejani2, Meysam Bagheri Tagani3
1Department of Electrical Engineering, Langarud Branch, Islamic Azad University, Islamic Azad University, Langarud, Iran, Langarud, Guilan Province, 4471311127, Iran (The Islamic Republic of).
机器学习 (ML) 通过克服传统方法的计算限制,加速了诸如激子和极子等准粒子的研究. 这种协同作用增强了材料发现和凝聚物质物理学研究.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学是一种材料科学.
- 量子信息科学是一种量子信息科学.
背景情况:
- 准粒子 (激子,极子,等离子) 对材料的光学/电子性质至关重要.
- 像DFT这样的传统方法是计算密集型的,限制了对复杂系统的研究.
- 高的计算成本阻碍了高通量材料选.
研究的目的:
- 审查机器学习 (ML) 在推动准粒子研究中的作用.
- 探索ML与材料发现的第一原则计算的整合.
- 讨论机器学习驱动的凝聚物质物理学的挑战和未来方向.
主要方法:
- 准粒子物理学和基于 DFT 的建模的概述.
- 机器学习角色的分类:替代模型,哈密尔顿构造,阶段分类,反向问题解决.
- 关于机器学习应用的最新研究和案例研究的调查.
主要成果:
- ML作为替代模型来加速准粒子属性预测.
- ML有助于构建尺寸可转移的哈密尔顿数,用于多尺度建模.
- 机器学习有助于分类复杂的阶段,并在多体系统中解决反向问题.
结论:
- 机器学习和量子力学的融合为准粒子动力学提供了前所未有的见解.
- 机器学习集成克服了传统计算方法的局限性.
- 这种协同作用将重新定义材料发现和凝聚物质物理学.
更多相关视频
07:39Determination of the Excitation and Coupling Rates Between Light Emitters and Surface Plasmon Polaritons
Published on: July 21, 2018
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
相关概念视频
The Quantum-Mechanical Model of an Atom
Trends in Lattice Energy: Ion Size and Charge
Coulomb's Law and The Principle of Superposition
The Principle of Superposition answers the question. Yes, Coulomb's Law applies to each pair of charges, and the net force on each charge is the vector sum of...
Poisson's And Laplace's Equation
Potential Due to a Polarized Object
