扭曲范德华磁体中哈密顿参数估计与磁畴图像生成的深度学习方法
强关联电子
2024-06-21 v2 介观与纳米尺度物理
计算物理
摘要
扭曲工程在范德华磁体中的应用为二维磁性领域开辟了新的前沿，产生了独特的磁畴结构。尽管引入了许多理论方法，但由于这些系统相关的磁性哈密顿量的复杂性，在准确性或效率方面仍存在局限性。在本研究中，我们引入了一种深度学习方法来解决这些挑战。利用定制的全连接网络，我们开发了两个深度神经网络内核，能够对扭曲范德华磁体进行高效可靠的分析。我们的回归模型擅长从通过原子自旋模拟生成的磁畴图像中估计扭曲双层CrI3的磁性哈密顿参数。生成模型擅长从提供的磁性参数生成精确的磁畴图像。这些模型的训练网络经过了彻底验证，包括统计误差分析和针对噪声注入的鲁棒性评估。这些进展不仅将深度学习方法的应用范围扩展到扭曲范德华磁体，而且简化了未来对这些迷人但尚不为人所知的系统的研究。
引用
@article{arxiv.2402.11434,
title = {Deep learning methods for Hamiltonian parameter estimation and magnetic domain image generation in twisted van der Waals magnets},
author = {Woo Seok Lee and Taegeun Song and Kyoung-Min Kim},
journal= {arXiv preprint arXiv:2402.11434},
year = {2024}
}