Machine learning force-field models for metallic spin glass

要約

希薄磁性合金などの金属スピン グラス システムは、長距離の電子媒介の効果的な相互作用を通じて相互に結合する、ランダムに分布した局所モーメントによって特徴付けられます。
金属スピングラスの動的シミュレーションのためのスケーラブルな機械学習 (ML) フレームワークを紹介します。
局所性の原理に基づいたベーラー・パリネロ型ニューラル ネットワーク モデルは、スピン ダイナミクスを駆動する電子誘起局所磁場を正確かつ効率的に予測するために開発されました。
ML モデルの重要なコンポーネントは、ニューラル ネットワークへの直接入力となる、局所的な磁気環境の適切な対称不変表現です。
私たちは、量子分子動力学の ML 力場モデルで広く使用されている原子中心対称関数法にスピン自由度を組み込むことにより、このような磁気記述子を開発します。
私たちは、s-d モデルの非晶質一般化の緩和ダイナミクスを研究するために私たちのアプローチを適用します。
私たちの研究は、急冷された無秩序な巡回磁石の大規模な動的モデリングにおける ML モデルの有望な可能性を強調しています。

要約(オリジナル)

Metallic spin glass systems, such as dilute magnetic alloys, are characterized by randomly distributed local moments coupled to each other through a long-range electron-mediated effective interaction. We present a scalable machine learning (ML) framework for dynamical simulations of metallic spin glasses. A Behler-Parrinello type neural-network model, based on the principle of locality, is developed to accurately and efficiently predict electron-induced local magnetic fields that drive the spin dynamics. A crucial component of the ML model is a proper symmetry-invariant representation of local magnetic environment which is direct input to the neural net. We develop such a magnetic descriptor by incorporating the spin degrees of freedom into the atom-centered symmetry function methods which are widely used in ML force-field models for quantum molecular dynamics. We apply our approach to study the relaxation dynamics of an amorphous generalization of the s-d model. Our work highlights the promising potential of ML models for large-scale dynamical modeling of itinerant magnets with quenched disorder.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google