[論文レビュー] Machine learning dynamics of phase separation in correlated electron magnets

Puhan Zhang, Preetha Saha+1 more|arXiv (Cornell University)|Jun 7, 2020

Quantum and electron transport phenomena被引用数 5

ひとこと要約

本論文は、正確な対角化データを用いて訓練されたニューラルネットワークにより、相関電子磁性体における電子的相分離のスケールアップされた動的シミュレーションを可能にする機械学習フレームワークを導入する。この手法はスピン不変の記述子を用いて交換場の線形スケーリング計算を達成し、二重交換系における非平衡リラクゼーションおよびスピン相関関数を正確に再現する。また、モデルの不確実性に起因する熱的類似のフラクチュエーションも再現する。

ABSTRACT

We demonstrate machine-learning enabled large-scale dynamical simulations of electronic phase separation in double-exchange system. This model, also known as the ferromagnetic Kondo lattice model, is believed to be relevant for the colossal magnetoresistance phenomenon. Real-space simulations of such inhomogeneous states with exchange forces computed from the electron Hamiltonian can be prohibitively expensive for large systems. Here we show that linear-scaling exchange field computation can be achieved using neural networks trained by datasets from exact calculation on small lattices. Our Landau-Lifshitz dynamics simulations based on machine-learning potentials nicely reproduce not only the nonequilibrium relaxation process, but also correlation functions that agree quantitatively with exact simulations. Our work paves the way for large-scale dynamical simulations of correlated electron systems using machine-learning models.

研究の動機と目的

• 相関電子系における電子的相分離のスケールアップされた動的シミュレーションが計算的に非現実的であるという課題を克服すること。
• ハミルトニアンに明示的な多スピン項を含めないまま、複雑でフラストレーションを受けるスピン-スピン相互作用を捉える機械学習アプローチを開発すること。
• ニューラルネットワークが予測する交換場を用いて、効率的かつ大規模なランダウ＝リフシッツ＝ギルバート（LLG）動的挙動を可能にすること。
• 小さなスケールのトレーニングデータのみを用いて、正確なシミュレーションから得られる定量的相関関数および非平衡動的挙動を再現すること。
• 本フレームワークがコロスル磁気抵抗材料のより現実的なモデルへ一般化可能であることを示すこと。

提案手法

• 小さな格子の正確な対角化データセットから学習された深層ニューラルネットワークが、二重交換模型における局所的交換場を予測する。
• スピン回転および格子の離散的対称性に対して不変な局所的スピン環境を記述するためのスピン不変記述子が構築される。
• ニューラルネットワークが各サイトにおける有効交換場 $\mathbf{H}_i$ を予測し、これが確率的ランダウ＝リフシッツ＝ギルバート（LLG）動的挙動を駆動する。
• LLG方程式には確率的場 $\bm{\eta}_i$ とギルバート減衰係数 $\alpha$ が含まれており、熱的フラクチュエーションを模倣する。
• 有限温度における正確なLLGシミュレーションと比較することで、スピン-スピン相関関数およびリラクゼーション動的挙動の妥当性が検証される。
• ニューラルネットワークが多スピン相関を暗黙的に学習することで、非局所的でフラストレーションを受けるスピン相互作用が自然にフレームワークに組み込まれる。

実験結果

リサーチクエスチョン

• RQ1 正確な小規模対角化データセットで訓練された機械学習モデルは、相関電子系における相分離状態の非平衡動的挙動を正確に再現できるか？
• RQ2 スピン-スピン相互作用がスカラーねじれや非中心結合を含むような複雑な非局所的相互作用であっても、それらの項が明示的に与えられていない状況で、ニューラルネットワークがどれほどそのような相互作用を学習できるか？
• RQ3 訓練済みニューラルネットワークの内在的予測誤差は、ラングジュアン型シミュレーションにおける熱的フラクチュエーションを効果的に模倣できるか？
• RQ4 機械学習で予測された交換場は、正確なシミュレーションと比較して、定量的スピン相関関数をどれほど正確に再現できるか？
• RQ5 この機械学習フレームワークは、複数のオービタルや長距離クーロン相互作用を含む、マンガナイトのより現実的なモデルへ一般化可能か？

主な発見

• 機械学習ベースのランダウ＝リフシッツ＝ギルバート（LLG）シミュレーションは、二重交換模型における相分離状態の非平衡リラクゼーション過程を高い忠実度で再現する。
• ML-LLGシミュレーションから得られるスピン-スピン相関関数 $C_{ij} = \langle \mathbf{S}_i \cdot \mathbf{S}_j \rangle$ は、$T = 0.022$ における正確なLLGシミュレーションと定量的に一致する。
• 明示的な熱的ノイズが存在しないにもかかわらず、ニューラルネットワークの予測誤差が相関のない性質を示すため、ML-LLGシミュレーションは熱的類似のフラクチュエーションを示す。
• ニューラルネットワークは、スカラーねじれや非中心結合といった明示的な入力なしに、非局所的でフラストレーションを受けるスピン相互作用（例：スピンねじれ）を暗黙的に学習する。
• フレームワークは交換場の線形スケーリング計算を可能にし、電子的相分離のスケールアップされた動的シミュレーションを現実可能にする。
• 本手法は、反強磁性背景に埋め込まれた穴が豊富な強磁性クラスタの形成を効果的に捉えることができ、ドーピングされた穴のポラリオン的自己捕獲と整合的である。