通过等变神经网络加速磁性体系的电子结构计算
材料科学
2023-06-05 v1 计算物理
摘要
磁体中的复杂自旋-自旋相互作用常导致具有复杂局域磁排列的磁超晶格，且许多磁超晶格被发现具有非平凡拓扑电子性质。由于磁超晶格尺寸巨大且磁矩排列复杂，直接对其做DFT计算是一大挑战。本工作中，设计了一个等变深度学习框架，通过利用磁哈密顿量矩阵的等变约束与自旋-自旋相互作用的物理规则，加速磁性体系的电子计算。该框架可绕过昂贵的自洽迭代，并建立从磁构型到第一性原理哈密顿量矩阵的直接映射。在随机磁构型的磁体上训练后，我们的模型在训练集之外的测试结构（如自旋螺旋和非共线反铁磁构型）上取得了高精度。训练好的模型还用于预测含数千原子的NiBrI斯格明子构型的能带，展示了我们的模型在大型磁超晶格上的高效性。
引用
@article{arxiv.2306.01558,
title = {Accelerating the electronic-structure calculation of magnetic systems by equivariant neural networks},
author = {Yang Zhong and Binhua Zhang and Hongyu Yu and Xingao Gong and Hongjun Xiang},
journal= {arXiv preprint arXiv:2306.01558},
year = {2023}
}
备注
15 pages, 5 figures