[논문 리뷰] Machine learning dynamics of phase separation in correlated electron magnets

Puhan Zhang, Preetha Saha외 1명|arXiv (Cornell University)|2020. 06. 07.

Quantum and electron transport phenomena인용 수 5

한 줄 요약

이 논문은 정확한 대각화 데이터로 훈련된 신경망을 사용하여 상관 전자 자성체에서 전자 상분리의 대규모 역학 시뮬레이션을 가능하게 하는 기계학습 프레임워크를 제안한다. 이 방법은 스핀 불변 서술자에 기반한 선형 스케일링 계산을 통해 교환장의 계산을 수행하며, 이중교환 시스템에서 비평형 리ラ크세이션과 스핀 상관 함수를 정확히 재현한다. 또한 모델 불확실성으로 인한 열역학적 유사 변동을 포함한다.

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.

연구 동기 및 목표

• 상관 전자 시스템에서 전자 상분리의 대규모 역학 시뮬레이션의 계산 불가능성 문제를 해결하기 위해.
• 해밀토니안에 다중스핀 항을 명시적으로 포함하지 않고도 복잡하고 도전적인 스핀-스핀 상호작용을 포괄하는 기계학습 접근법을 개발하기 위해.
• 신경망 예측 교환장에 기반한 효율적이고 대규모의 랑주-리프시츠-길버트(Landau-Lifshitz-Gilbert) 동역학을 가능하게 하기 위해.
• 소규모 훈련 데이터만을 사용하여 정확한 시뮬레이션에서 유도된 정량적 상관 함수와 비평형 동역학을 재현하기 위해.
• 이 프레임워크가 거대 자기저항성 물질의 현실적인 모델에 일반화될 수 있음을 보여주기 위해.

제안 방법

• 작은 격자에서의 정확한 대각화 데이터셋을 기반으로 신경망을 훈련하여 이중교환 모델에서 국소 교환장을 예측한다.
• 연속 스핀 회전과 이산 격자 대칭성에 대해 불변인 국소 스핀 환경을 기반으로 스핀 불변 서술자를 구성한다.
• 신경망은 각 입자에서 효과적 교환장 $\mathbf{H}_i$를 예측하며, 이는 확률적 랑주-리프시츠-길버트(LLG) 동역학을 이끈다.
• LLG 방정식은 확률적 장 $\bm{\eta}_i$ 와 길버트 감쇠 $\alpha$ 를 포함하여 열역학적 변동을 시뮬레이션한다.
• 유한 온도에서 정확한 LLG 시뮬레이션과의 비교를 통해 프레임워크를 검증한다.
• 신경망이 다중스핀 상관관계를 암묵적으로 학습함으로써 비국소적이고 도전적인 스핀 상호작용이 자연스럽게 포함된다.

실험 결과

연구 질문

• RQ1 소규모 정확한 대각화 데이터셋에서 훈련된 기계학습 모델이 상관 전자 시스템에서 상분리 상태의 비평형 동역학을 정확히 재현할 수 있는가?
• RQ2 신경망이 스칼라 휘어짐 또는 이격된 결합과 같은 이러한 항들을 명시적인 사전 지식 없이도 복잡한 비국소적 스핀-스핀 상호작용을 어느 정도 학습할 수 있는가?
• RQ3 훈련된 신경망의 내재된 예측 오차가 랑주-형 시뮬레이션에서 열역학적 변동을 효과적으로 모방할 수 있는가?
• RQ4 기계학습으로 예측한 교환장이 정확한 시뮬레이션과 비교해 정량적 스핀 상관 함수를 어느 정도 잘 재현하는가?
• RQ5 이 기계학습 프레임워크는 다중 오비탈과 장거리 쿠론 상호작용를 포함한 더 현실적인 망가나이트 모델에 일반화될 수 있는가?

주요 결과

• 기계학습 기반의 랑주-리프시츠-길버트(LLG) 시뮬레이션은 이중교환 모델에서 상분리 상태의 비평형 리라크세이션 과정을 높은 정밀도로 재현한다.
• ML-LLG 시뮬레이션에서 유도된 스핀-스핀 상관 함수 $C_{ij} = \langle \mathbf{S}_i \cdot \mathbf{S}_j \rangle$ 는 $T = 0.022$ 에서 정확한 LLG 시뮬레이션과 정량적으로 일치한다.
• 명시적인 열 노이즈가 없음에도 불구하고, 신경망의 상관 없는 예측 오차로 인해 ML-LLG 시뮬레이션은 열역학적 유사 변동을 나타낸다.
• 신경망은 명시적인 입력 없이도 스칼라 휘어짐과 이격된 결합과 같은 비국소적이고 도전적인 스핀 상호작용을 암묵적으로 학습한다.
• 이 프레임워크는 교환장의 선형 스케일링 계산을 가능하게 하여 전자 상분리의 대규모 역학 시뮬레이션을 실현 가능하게 한다.
• 이 방법은 도핑된 구멍이 농후한 편자성 클러스터가 반자성 배경에 임베딩된 형태로 형성되는 것을 성공적으로 포착하며, 이는 도핑된 구멍의 폴라론적 자기 포획과 일치한다.