用于缺陷磁性铁动力学模拟的机器学习自旋-晶格势
材料科学
2022-05-11 v1 无序系统与神经网络
原子物理
计算物理
摘要
我们开发了一种用于磁性铁的机器学习自旋-晶格原子间势(MSLP)，并应用于介观尺度缺陷。这是通过将自旋-晶格 Hamiltonian 扩充以一个训练于表征局部原子构型与磁环境混合的描述符的神经网络项来实现的。它复现了具有各种磁态的 BCC 和 FCC 相的内聚能。它预测点缺陷的形成能和复杂磁结构，与密度泛函理论(DFT)在定量上一致，包括缺陷核附近磁矩的反转和淬灭。通过自旋-晶格动力学计算了居里温度，显示出在高温下良好的计算稳定性。该势被用于研究可观位错环附近的磁涨落。MSLP 超越了当前使用 DFT 和分子动力学的方法，并胜过了仅处理近完美晶体情形的其他自旋-晶格势。
引用
@article{arxiv.2205.04732,
title = {A Machine-Learned Spin-Lattice Potential for Dynamic Simulations of Defective Magnetic Iron},
author = {Jacob Bernard John Chapman and Pui-Wai Ma},
journal= {arXiv preprint arXiv:2205.04732},
year = {2022}
}