用于电荷密度波相序动力学的机器学习方法

我们提出一个用于电荷密度波（CDW）态大规模动力学模拟的机器学习（ML）框架。CDW 态中的电荷调制常伴随相应的结构畸变，而 CDW 序的绝热演化由晶格畸变的动力学所支配。然而，对大体系而言，计算驱动力中的电子贡献在计算上极为昂贵。基于电子体系的局域性原理，我们开发了神经网络模型，以邻域构型为输入准确高效地预测局域电子力。重要的是，该 ML 模型使 CDW 动力学模拟成为可能的一种线性复杂度算法。作为演示，我们将该方法应用于研究 Holstein 模型（CDW 序的典型系统）的相序动力学。我们的大规模模拟揭示了一种 CDW 畴的奇特生长，其明显偏离 Ising 型序参量场相序所预期的 Allen-Cahn 律。这种反常的畴生长可归因于该体系中畴壁的复杂结构。我们的工作凸显了基于 ML 的力场模型在功能电子材料动力学模拟中的广阔潜力。