机器学习赋能的超快自旋动力学实验设计与参数估计
材料科学
2023-06-06 v1 机器学习
计算物理
数据分析、统计与概率
摘要
先进的实验测量对于推动凝聚态与材料物理中的理论发展和揭示新现象至关重要，但这些测量常受限于装置资源稀缺与复杂性日益增加。为应对这些局限，我们提出了一种将机器学习与贝叶斯最优实验设计（BOED）相结合的方法论，并以用于自旋涨落的X射线光子涨落谱（XPFS）测量为例加以说明。我们的方法采用神经网络模型进行大规模自旋动力学模拟，以在BOED中实现精确的分布与效用计算。进一步利用该神经网络模型的自动微分能力，实现更鲁棒且准确的参数估计。我们的数值基准测试表明，该方法在指导XPFS实验、预测模型参数以及在有限实验时间内产生信息量更大的测量方面具有优越性能。尽管聚焦于XPFS与自旋涨落，我们的方法可适用于其他实验，从而促进更高效的数据收集并加速科学发现。
引用
@article{arxiv.2306.02015,
title = {Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics},
author = {Zhantao Chen and Cheng Peng and Alexander N. Petsch and Sathya R. Chitturi and Alana Okullo and Sugata Chowdhury and Chun Hong Yoon and Joshua J. Turner},
journal= {arXiv preprint arXiv:2306.02015},
year = {2023}
}