利用卷积神经网络学习晶体场参数
强关联电子
2021-07-14 v2 统计力学
计算物理
摘要
我们提出了一种深度机器学习算法，用于从稀土磁性材料的热力学数据中提取晶体场（CF）Stevens 参数。该算法采用二维卷积神经网络（CNN），其训练数据为在单离子近似下理论计算的磁化强度、磁化率和比热数据，并进一步使用标准小波变换进行处理。我们将该方法应用于立方、六方和四方对称性的晶体场，以及基态多重态整数和半整数总角动量值 。我们在理论上生成的合成数据以及先前发表的 CeAgSb、PrAgSb 和 PrMgCu 的实验数据上评估了其性能，发现它能够可靠且准确地提取所考虑的所有位点对称性和 值的 CF 参数。这表明 CNN 提供了一种无偏的提取 CF 参数的方法，避免了繁琐的多参数拟合过程。
引用
@article{arxiv.2011.12911,
title = {Learning crystal field parameters using convolutional neural networks},
author = {Noah F. Berthusen and Yuriy Sizyuk and Mathias S. Scheurer and Peter P. Orth},
journal= {arXiv preprint arXiv:2011.12911},
year = {2021}
}
备注
19 pages, 9 figures