机器学习与中子散射的融合：压力下自旋冰中的哈密顿量调谐
其他凝聚态物理
2021-11-01 v1 应用物理
摘要
量子材料研究需要理论与实验的协同设计，并涉及高需求的模拟以及海量数据分析，通常包含模式识别与聚类。人工智能是优化这些流程并将理论与实验结合的天然途径。本文提出一种将机器学习与高性能模拟及散射测量相集成的方案，覆盖典型中子实验的流水线。我们的方法使用在真实模拟上训练的非线性自编码器，以及以生成模型形式快速替代散射计算的代理模型。我们在一个高度阻挫磁体 DyTiO 中展示了该方法，利用机器学习预测指导静水压力下的中子散射实验，提取材料参数并构建相图。我们的方案提供了一套全面的能力，允许理论直接与自动化数据处理集成，并在快速时间尺度上对有挑战的凝聚态系统提供直接洞察。
引用
@article{arxiv.2110.15817,
title = {Integration of Machine Learning with Neutron Scattering: Hamiltonian Tuning in Spin Ice with Pressure},
author = {A. M. Samarakoon and D. Alan Tennant and Feng Ye and Qiang Zhang and S. A. Grigera},
journal= {arXiv preprint arXiv:2110.15817},
year = {2021}
}
备注
main text (12 pages, 6 figures) + Sup. Info. (4 pages 5 figures)