Spin-Dependent Graph Neural Network Potential for Magnetic Materials

要約

タイトル：磁性材料のためのスピン依存グラフニューラルネットワークポテンシャル

要約：
– 機械学習原子間ポテンシャルの開発は、分子や結晶のシミュレーションの精度向上に大きく貢献している。
– しかしながら、磁気モーメントと構造自由度の両方を考慮した磁気系の原子間ポテンシャルの作成は、今後も課題となっている。
– 本論文では、磁気系を記述するためにグラフニューラルネットワーク（GNN）を使用したスピン依存原子間ポテンシャルアプローチであるSpinGNNを紹介する。
– SpinGNNには、2種類のエッジGNNが含まれており、Heisenberg edge GNN（HEGNN）はHeisenberg型のスピン-格子相互作用をキャプチャし、spin-distance edge GNN（SEGNN）は多体および高次のスピン-格子結合を正確にモデル化する。
– SpinGNNの有効性は、高次スピンハミルトニアンと2つの複雑なスピン-格子ハミルトニアンに対して高い精度でフィッティングするということによって示されている。
– さらに、BiFeO3における微妙なスピン-格子結合をモデル化し、高精度で反強磁性基底状態、磁気相転移、および磁化壁エネルギーランドスケープを予測する大規模なスピン-格子動力学シミュレーションを実行することにも成功している。
– 本研究は、グラフニューラルネットワーポテンシャルを磁気系に拡大し、そのような系の大規模なスピン-格子動力学シミュレーションを実行するための基盤となる。

要約(オリジナル)

The development of machine learning interatomic potentials has immensely contributed to the accuracy of simulations of molecules and crystals. However, creating interatomic potentials for magnetic systems that account for both magnetic moments and structural degrees of freedom remains a challenge. This work introduces SpinGNN, a spin-dependent interatomic potential approach that employs the graph neural network (GNN) to describe magnetic systems. SpinGNN consists of two types of edge GNNs: Heisenberg edge GNN (HEGNN) and spin-distance edge GNN (SEGNN). HEGNN is tailored to capture Heisenberg-type spin-lattice interactions, while SEGNN accurately models multi-body and high-order spin-lattice coupling. The effectiveness of SpinGNN is demonstrated by its exceptional precision in fitting a high-order spin Hamiltonian and two complex spin-lattice Hamiltonians with great precision. Furthermore, it successfully models the subtle spin-lattice coupling in BiFeO3 and performs large-scale spin-lattice dynamics simulations, predicting its antiferromagnetic ground state, magnetic phase transition, and domain wall energy landscape with high accuracy. Our study broadens the scope of graph neural network potentials to magnetic systems, serving as a foundation for carrying out large-scale spin-lattice dynamic simulations of such systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI