制服诱惑

金晨 ai换脸 物理系徐勇、段文晖究诘组在第一性旨趣计较与东谈主工智能的交叉界限获取新发扬

发布日期:2024-10-19 13:54    点击次数:52

金晨 ai换脸 物理系徐勇、段文晖究诘组在第一性旨趣计较与东谈主工智能的交叉界限获取新发扬

清华新闻网5月18日电 磁性超结构不仅不错四肢究诘量子效应的材料平台,也有丰富的潜在应用价值。基于密度泛函表面(DFT)的第一性旨趣电子结构计较是究诘材料性质的关键工夫,但受限于计较资本,这些规律难以径直用于究诘磁性超结构。近期出现了一系列深度学习第一性旨趣计较规律,哄骗东谈主工神经收集从DFT数据中学习,从而高效地展望大标准材料的电子结构性质。关联词,现时的设檀越要集结在非磁性系统上,忽略了对磁性系统的究诘。究诘磁性系统需要高精度的先进深度学习规律来描摹精妙的磁性物理效应金晨 ai换脸,以高效准确地计较磁性材料的电子结构。

在先前的使命中,清华大学物理系徐勇、段文晖究诘组提议深度学习第一性旨趣计较的表面框架和算法DeepH(Deep DFT Hamiltonian),该规律使用神经收集由材料原子结构展望DFT哈密顿量,从而不错展望悉数单粒子图像下的物感性质,可极大加快非磁性材料的电子结构计较。在最新的使命中,徐勇、段文晖究诘组提议xDeepH(extended DeepH)规律,用于学习磁性材料的DFT哈密顿量对原子结构和磁结构的依赖关系,并高效展望其电子结构与物性。

将物理先验学问融入神经收集架构策画,对深度学习的性能至关关键。DFT哈密顿量对原子结构和磁结构的依赖关系,在对称操作下(如旋转和时分反演)具有等变性。为此,该究诘提议了一种拓展的等变神经收集,能研究电子自旋和轨谈目田度,使得神经收集保抓在欧几里得群和时分反演操作下的对称性。此外,相干于原子结构,磁结构的转换对DFT哈密顿量的影响有着更强的局域特点。该究诘策画了严形势域的神经收集更新函数,用于处理磁结构的输入;沿用传统的音问传递神经收集处理原子结构的输入。关于对称性和局域性这两点先验学问的妥善哄骗,显赫提高了xDeepH的精度与泛化智商,并减小考试难度与代价。

xDeepH规律用于磁性材料的高效电子结构计较的默示图。(a)xDeepH规律的进程图。以磁性材料的原子结构和磁结构四肢输入,等变神经收集可展望其DFT哈密顿量。只需哄骗小标准材料的DFT数据考试神经收集,就不错究诘大标准磁性超结构 (比如磁性斯格明子)。(b)DFT哈密顿量四肢原子结构和磁结构的函数,在空间旋转和时分反演操作下具有等变性。

通过对三种代表性复杂磁性超结构的准确展望金晨 ai换脸,该究诘标明了xDeepH规律的高精度和普适性。测试材料体系包括了单层NiBr2中的螺磁结构、CrI3纳米管中的报复磁性、双层莫尔转角CrI3中的磁性斯格明子(原胞中具有4336个原子)。该遵循为究诘磁性超结构提供了一种高效准确的计较规律,展现了处理DFT精度-遵循两难逆境的后劲。xDeepH规律有助于更好地交融磁性超结构的基人性质和量子表象,同期也有望为建造新式磁性材料和关系器件提供更高效的计较开采。

关系遵循以“用于磁性超结构的深度学习电子结构计较”(Deep-learning electronic-structure calculation of magnetic superstructures)为题发表于4月26日的《当然·计较科学》(Nature Computational Science),并入选为期刊封面著述。同期,该期刊还发表了以“究诘磁性超结构的深度学习规律(A deep-learning method for studying magnetic superstructures)”为题的究诘简报(Research Briefing)、以“计较探伤莫尔磁体(Computationally probing moiré magnets)”为题的社论(Editorial)、以“揭示莫尔磁体中的磁相互作用(A Uncovering magnetic interactions in moiré magnets )”为题的新闻与不雅点(News & Views)先容上述遵循。

欧美日韩av无码在线

本究诘被选为《当然·计较科学》封面著述

清华大学物理系徐勇涵养和段文晖涵养为该论文的通信作家,究诘组2019级博士生李贺、2019级本科生唐泽宸为共同第一作家。谐和者还包括北京大学2019级本科生贡晓荀和究诘组2018级博士生邹念龙。究诘得到国度当然科学基金委基础科学究诘中心、国度当然科学基金、国度科技部等表情单元的复旧。

论文聚会:

https://www.nature.com/articles/s43588-023-00424-3

供稿:物理系

题图策画:李柳依

剪辑:李华山

审核:郭玲金晨 ai换脸