基于机器学习的由电子结构分类磁序
材料科学
2024-01-23 v2 强关联电子
计算物理
摘要
识别材料的磁态在广泛应用中备受关注，但由于中子散射实验的局限性，直接识别并非总是直截了当。本工作中，我们提出一种使用决策树算法的机器学习方法，从自旋积分激发谱（如态密度）识别磁性。数据集由针对BaOsO从第一性原理计算提取的Wannier哈密顿量上候选反铁磁序的Hartree-Fock平均场计算生成。我们的机器学习模型使用各类谱数据训练，包括局域态密度、高对称点的动量分辨态密度，以及距费米能级的最低激发能。尽管态密度对机器学习表现出良好性能，展宽方法对模型性能有显著影响。我们通过将激发能设计为机器学习特征改进了模型性能，从而实现对反铁磁序的优异分类，即便测试样本由不同于机器学习所用训练样本的方法生成。
引用
@article{arxiv.2302.13329,
title = {Classification of magnetic order from electronic structure by using machine learning},
author = {Yerin Jang and Choong H. Kim and Ara Go},
journal= {arXiv preprint arXiv:2302.13329},
year = {2024}
}
备注
8 pages, 10 figures