晶格系统的等价神经网络力场模型

机器学习(ML)力场使大规模模拟在接近第一性原理的准确度方面具有显著降低的计算成本。最近的工作将 ML 力场方法扩展到具有耦合电子与结构或磁度自由度的凝聚态晶格模型的准静态动力学模拟。然而，大多数现有表述依赖于手工制作的、感知对称性的描述符，其构建往往是 system-specific 的，可能阻碍不同晶格哈密顿量之间的普遍性和可迁移性。这里我们引入基于等价神经网络(ENN)的对称性保持框架，为晶格哈密顿量中动力学变量的局部配置到相关 on-site 力的 general、data-driven 映射提供一种方法。与针对分子系统——其中连续欧几里得对称性占主导——的 ENN 架构不同，我们的方法旨在将晶格模型固有的离散点群和 internal 对称性直接嵌入神经网络表示的力场中。作为原理验证，我们为晶格上的霍尔斯哈密顿量构建了一个 ENN-based 力场模型，这是一个电子-晶格物理的规范系统。 resulting ML-enabled 大规模动力学模拟忠实地捕捉了对称性破坏相的中尺度演化，说明了晶格等价架构在将微观电子过程与凝聚态晶格系统中涌现动力学行为联系起来的实用性。