基于机器学习的价值变化存储器量子传输仿真的哈密顿量
无序系统与神经网络
2026-02-03 v1 介观与纳米尺度物理
摘要
哈密顿量矩阵 的构建是基于密度泥函式理论（DFT）进行 \textit{ab-initio} 器件仿真中的关键步骤，却又是计算成本高昂的环节。在均匀结构中，可利用至少沿一个方向重复的单元格这一特征，以最小化所需原子数和计算时间。然而，这种方法不适用于非晶态或有缺陷的材料，因为此类材料不存在周期性。在这种情况下，可能需要包含数千个原子的更大域来准确描述所涉及的物理现象，将 DFT 工具推向其计算极限。本文通过采用等变图神经网络和所谓的增强分区训练方式来学习并直接预测大型结构的哈密顿量矩阵，从而解决此问题。我们通过对价值变化存储器（VCM）单元建模演示了我们方法的优势，预测由约 5000 个原子构成的系统的哈密顿量矩阵条目时，平均绝对误差（MAE）为 3.39 到 3.58 meV。随后，我们将这些 VCM 的 DFT 计算得到的哈密顿量替换为预测得到的哈密顿量，用于计算其能谱解析传输函数。两种曲线集合得到的结果在整体上表现良好。本工作为突破 DFT 的内存和计算极限提供了一条途径，从而使当前 \textit{ab-initio} 能力之外的大规模器件的研究成为可能。
引用
@article{arxiv.2602.02125,
title = {Machine-Learned Hamiltonians for Quantum Transport Simulation of Valence Change Memories},
author = {Chen Hao Xia and Manasa Kaniselvan and Marko Mladenoivić and Mathieu Luisier},
journal= {arXiv preprint arXiv:2602.02125},
year = {2026}
}