面向易位电子磁铁的机器学习力场方法

我们综述了最近在基于机器学习 (ML) 的力场框架中，用于实现易位电子磁铁的朗道-李夫希尔 (LLG) 动力学仿真的最新进展，重点关注其一般理论和基于晶格点群对称性和内部自旋旋转对称性不变性的自旋配置表示。必须满足的关键属性是对自旋旋转的可微性以及对晶格点群对称性和内部自旋旋转对称性的不变性。我们提出了一种基于参考不可约表示的高效实现，该方法修改自从群论功率谱和二次谱系方法。我们使用 s-d 模型演示了该 ML 框架，这些模型在自旋tronics 研究中被广泛应用。我们表明，基于训练好的 ML 模型预测的局部场进行的 LLG 模拟成功地再现了三角晶格 s-d 模型中包括 120°、四面体和天线晶格序的非共线自旋结构。由 ML 模型实现的大规模热力学急冷仿真进一步揭示了引人入胜的冻结动力学和由天线和双-米孔构成的玻璃条纹态。我们的工作凸显了 ML 力场方法在易位电子磁铁中复杂自旋序动力学建模中的实用性。