[论文解读] Machine-learning interatomic potentials reproduce vibrational and magnetic degrees of freedom

Ivan S. Novikov, Blazej Grabowski+2 more|arXiv (Cornell University)|Dec 23, 2020

Machine Learning in Materials Science参考文献 31被引用 4

一句话总结

本文提出了磁矩张量势（mMTPs），一种机器学习的原子间势，能够精确模拟材料中的振动和磁性自由度。通过采用原子空间和自旋空间的两步粗粒化方法，mMTPs 复现了体心立方铁的第一性原理结果，实现了可靠的声子计算和具有磁矩涨落的分子动力学模拟。

ABSTRACT

We present the magnetic Moment Tensor Potentials (mMTPs), a new generation of machine-learning interatomic potentials, accurately reproducing both vibrational and magnetic degrees of freedom as provided, e.g., from first-principles calculations. The accuracy is achieved by a two-step minimization scheme that coarse-grains the atomic and the spin space. The performance of the mMTPs is demonstrated for the prototype magnetic system bcc iron, with applications to phonon calculations for different magnetic states, and molecular dynamics simulations with fluctuating magnetic moments.

研究动机与目标

• 开发能够准确捕捉磁性材料中振动和磁性自由度的机器学习原子间势。
• 解决在经典分子动力学模拟中建模磁性涨落和自旋依赖相互作用的挑战。
• 通过计算高效的机器学习势，实现磁性材料的第一性原理精度模拟。
• 在代表性磁性体系——体心立方铁——上，展示该方法在多种磁性状态下的准确性。

提出的方法

• 该方法采用两步最小化方案，对原子和自旋自由度进行粗粒化，以降低计算复杂度。
• 原子和自旋构型通过矩张量描述符表示，以编码局部磁性和结构环境。
• 模型基于第一性原理数据进行训练，包括密度泛函理论计算得到的能量、力和磁矩。
• 粗粒化方法在保持振动和磁性响应精度的同时，实现了对磁性构型的高效采样。
• 通过声子色散关系计算和具有磁矩涨落的分子动力学模拟，对势能函数进行了验证。
• 该框架可一致处理不同磁性状态（包括铁磁相和顺磁相）下的自旋依赖相互作用。

实验结果

研究问题

• RQ1 机器学习原子间势能否准确再现磁性材料中的振动和磁性自由度？
• RQ2 对原子和自旋空间进行粗粒化如何影响原子间势模型的精度和效率？
• RQ3 所提出的方法能否在体心立方铁中实现具有磁矩涨落的可靠分子动力学模拟？
• RQ4 预测的声子色散关系在不同磁性状态下与第一性原理结果的吻合程度如何？
• RQ5 该模型在捕捉晶格动力学与磁性涨落之间相互作用方面的表现如何？

主要发现

• mMTPs 在多种磁性状态（包括铁磁相和顺磁相）下，均能准确复现体心立方铁的声子色散关系。
• 该模型在分子动力学模拟中成功捕捉了磁性涨落，结果与第一性原理数据保持一致。
• 两步粗粒化方案在保持高精度的同时，显著提升了大规模模拟的计算效率。
• 矩张量表示能有效编码局部原子结构和磁环境，实现了稳健的泛化能力。
• 即使在显著的自旋涨落情况下，mMTPs 在能量和力预测方面也达到了第一性原理级别的精度。
• mMTPs 为模拟体心立方铁以外的复杂磁性材料提供了可扩展的框架，具有在凝聚态物理领域广泛推广的潜力。